Применение методов обработки естественного языка для прогнозирования перспективных направлений использования формальных онтологий в биомедицине

В работе представлены возможности использования методов обработки естественного языка для прогностического анализа и обзора перспективных направлений использования формальных онтологий в различных областях науки и практики. Выбор формальных онтологий в качестве объекта прогностического исследования обусловлен тем, что они помогают более строго формализовать признаки объектов в различных предметных областях, что дает в дальнейшем возможность для более успешного использования программ машинного обучения для автоматического выявления закономерностей и взаимосвязей между этими признаками. Для анализа перспективных трендов в развитии использования онтологий был использован эксперимент на основе метода машинного обучения и прогнозирования с помощью алгоритма CatBoost в сочетании с методами извлечения информации из текстов и алгоритмом кластеризации лексических единиц. При этом использовались векторные представления соответствующих лексических единиц, отражающих тот или иной тренд частной области знания, между которыми вычислялась мера близости на основе семантического расстояния. В результате эксперимента были выделены четыре наиболее перспективных направления, в которых возможно применение формальных онтологий: связь генотип – фенотип, персонализация, алгоритмы кластеризации и совместное управление. Для каждого направления приводятся собственные ключевые слова, отражающие прогнозируемые тренды развития данной конкретной области, а также анализируются примеры наиболее характерных научных работ (статей), отражающих эти тренды.

1. Бова В. В., Лещанов Д. В., Кравченко Д. Ю., Новиков А. А. Компьютерная онтология: задача и методология построения. Информатика, вычислительная техника и инженерное образование. 2014. № 4. С. 44–55. https://www.elibrary.ru/ubnfff

2. Корсун И. А., Пальчунов Д. Е. Методы извлечения и формального представления онтологических знаний из текстов естественного языка. Знания – Онтологии – Теории (ЗОНТ-2017): Всерос. конф. с Междунар. уч. (Новосибирск, 2–6 октября 2017 г.) Новосибирск: Дигит Про, 2017. Т. 2. С. 21–25. https://www.elibrary.ru/eidazb

3. Митрофанова О. А., Азарова И. В. Компьютерное представление значений. Прикладная и компьютерная лингвистика, ред. И. С. Николаев, О. В. Митренина, Т. М. Ландо. 2-е изд. М.: Ленанд, 2017. С. 59–93. https://www.elibrary.ru/zcwtrj

4. Шарнин М. М. Библиометрический анализ трендовых тем в англоязычной научной литературе по лингвистике. Российкий лингвистический бюллетень. 2023. № 12. https://doi.org/10.18454/RULB.2023.48.17

5. Bukhari A. C., Kim Y.-G. Integration of a secure type-2 fuzzy ontology with a multi-agent platform: A proposal to automate the personalized flight ticket booking domain. Information Sciences, 2012, 198: 24–47. https://doi.org/10.1016/j.ins.2012.02.036

6. Charnine M., Klokov A., Kochiev L., Tishchenko A. Research trending topic prediction as cognitive enhancement. 2021 International Conference on Cyberworlds (CW). Caen, 2021a, 217–220. https://doi.org/10.1109/CW52790.2021.00044

7. Charnine M., Tishchenko A., Kochiev L. Visualization of research trending topic prediction: Intelligent method for data analysis. CEUR Workshop Proceedings: Proc. 31st Intern. Conf. on Computer Graphics and Vision, Nizhny Novgorod, 27–30 Sep 2021. 2021b, vol. 3027, 1028–1037. https://www.elibrary.ru/ptcljf

8. Coulet A., Smaïl-Tabbone M., Benlian P., Napoli A., Devignes M. D. Ontology-guided data preparation for discovering genotype-phenotype relationships. BMC Bioinformatics, 2008, 9(S4). https://doi.org/10.1186/1471-2105-9-s4-s3

9. Einig M., Tagg R., Peters G. Managing the knowledge needed to support an electronic personal assistant – an end-user friendly graphical ontology editing tool. Proceedings of the Eighth International Conference on Enterprise Information Systems – ISAS, 2006, vol. 5, 304–309. https://doi.org/10.5220/0002446003040309

10. Hoehndorf R., Harris M. A., Herre H., Rustici G., Gkoutos G. V. Semantic integration of physiology phenotypes with an application to the Cellular Phenotype Ontology. Bioinformatics, 2012, 28(13): 1783–1789. https://doi.org/10.1093/bioinformatics/bts250

11. Hoehndorf R., Loebe F., Kelso J., Herre H. Representing default knowledge in biomedical ontologies: Application to the integration of anatomy and phenotype ontologies. BMC Bioinformatics, 2007, 8. https://doi.org/10.1186/1471-2105-8-377

12. Holloway E. From genotype to phenotype: Linking bioinformatics and medical informatics ontologies. Comparative and functional genomics, 2002, 3(5): 447–450. https://doi.org/10.1002/cfg.181

13. Ivanova T., Andreev R., Terzieva V. Integration of ontology with development of personalized e-learning facilities for dyslexics. Artificial Intelligence: Methodology, Systems, and Applications. AIMSA 2010: Proc. 14th Intern. Conf., Varna, Bulgaria, 8–10 Sep 2010. Berlin Heidelberg: Springer, 2010, 265–266. https://doi.org/10.1007/978-3-642-15431-7_29

14. Kim J., Kang S. An ontology-based personalized target advertisement system on interactive TV. Multimedia Tools and Applications, 2013, 64(3): 517–534. https://doi.org/10.1007/s11042-011-0965-0

15. Liotine M., Ramaprasad A., Syn T. Managing a smart city's resilience to ebola: An ontological framework. 49th Hawaii International Conference on System Sciences (HICSS 2016). Kauai, Hawaii, USA, 2016, 2935–2943. http://dx.doi.org/10.1109/HICSS.2016.368

16. Maleszka B. A method for profile clustering using ontology alignment in personalized document retrieval systems. Computational Collective Intelligence. ICCCI 2015: Proc. 7th Intern. Conf., Madrid, Spain, 21–23 Sep 2015. Springer, 2015, 410–420. https://doi.org/10.1007/978-3-319-24069-5_39

17. Moshirpour M., Mireslami S., Alhajj R., Far B. H. Automated ontology construction from scenario based software requirements using clustering techniques. 2012 IEEE 13th International Conference on Information Reuse & Integration (IRI). 2012, 541–547.

18. Munir K., Anjum S. M. The use of ontologies for effective knowledge modelling and information retrieval. Applied Computing and Informatics, 2018, 14(2): 116–126. http://dx.doi.org/10.1016/j.aci.2017.07.003

19. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. V., Gulin A. CatBoost: Unbiased boosting with categorical features. Advances in neural information processing systems: Proc. Conf., Montreal, QC, 2–8 Dec 2018, 6638–6648. https://www.elibrary.ru/nryevs

20. Rojano E., Córdoba-Caballero J., Jabato F. M., Gallego D., Serrano M., Pérez B., Parés-Aguilar A., Perkins J. R., Ranea J. A. G., Seoane-Zonjic P. Evaluating, filtering and clustering genetic disease cohorts based on human phenotype ontology data with cohort analyzer. Journal of Personalized Medicine, 2021, 11(8). https://doi.org/10.3390/jpm11080730

21. Sandhiya R., Sundarambal M. Clustering of biomedical documents using ontology-based TF-IGM enriched semantic smoothing model for telemedicine applications. Cluster Computing, 2019, 22(S2): 3213–3230. https://doi.org/10.1007/s10586-018-2023-4

22. Schmidt D., Pannison A., Freitas A., Bordini R. H., Meneguzzi F., Vieira R. An ontology-based mobile application for task managing in collaborative groups. Proceedings of the 29th Florida Artificial Intelligence Research Society Conference (FLAIRS). Association for the Advancement of Artificial Intelligence (AAAI), 2016, 522–525.

23. Weiler G., Schwarz U., Rauch J., Rohm K., Lehr T., Theobald S., Kiefer S., Götz K., Och K., Pfeifer N., Handl L., Smola S., Ihle M., Turki A. T., Beelen D. W., Rissland J., Bittenbring J., Graf N. XplOit: An ontology-based data integration platform supporting the development of predictive models for personalized medicine. Studies in health technology and informatics, 2018, 247: 21–25. https://doi.org/10.3233/978-1-61499-852-5-21

24. Yu G., Yang Y., Qingsong X. An ontology-based approach for knowledge integration in product collaborative development. Journal of Intelligent Systems, 2017, 26(1): 35–46. https://doi.org/10.1515/jisys-2015-0046

25. Zhang G., Bie R., Sun Y. Bring biomedical ontologies to personalized healthcare: A smart inquiry framework. 2016 IEEE First International Conference on Connected Health: Applications, Systems and Engineering Technologies (CHASE). Washington, DC, USA, 2016, 84–88. https://doi.org/10.1109/CHASE.2016.32

26. Zhao M., Havrilla J., Peng J., Drye M., Fecher M., Guthrie W., Tunc B., Schultz R., Wang K., Zhou Y. Development of a phenotype ontology for autism spectrum disorder by natural language processing on electronic health records. Journal of Neurodevelopmental Disorders, 2022, 14. https://doi.org/10.1186/s11689-022-09442-0