[发明专利]肿瘤相关科学文献和科学数据的非结构化整合分析方法

说明书

技术领域

本发明涉及肿瘤医学领域，具体涉及一种肿瘤相关科学文献和科学数据的非结构化整合分析方法。

背景技术

随着计算机、网络、大数据等技术的发展，生物医学的实验手段和研究方法均发生了巨大的变革，由此带来了领域内实验数据的“指数性”增长，得到了各行业专家学者的广泛关注并取得了大量研究成果，积累了海量的科学文献。其数目之大，增长速度之快远远超过了其他学科领域。这些文献资源以规范化的方式存储在PubMed Central(文中其它地方以PMC简称)、SinoMed等数据库中，为肿瘤的转化医学研究提供了一定的基础。

另一方面，随着高通量测序技术的发展及肿瘤相关科研项目的不断开展，积累了很多跟肿瘤基因组、表型组、临床等相关的数据信息(比如样本属性、临床因素、患者预后、DNA序列信息、表达谱芯片信息、甲基化状况等)，越来越多的平台开始对这些数据进行结构化存储、整理与分析。例如,截至到2015年1月份,TCGA(The Cancer Genome Atlas)(http://cancergenome.nih.gov/)存储了33种肿瘤的不同类型的组学数据。同时，科学家开始倡导开展全球数据共享机制，海量的科学数据逐渐成为可开放获取的，为肿瘤研究提供了非常宝贵的资源。例如，研究者可以对这些可开放获取的数据重新进行整合分析，探 索新的科学假设；或者提取这些数据中的信息来验证自己的研究成果。这种科学数据的开放获取与重利用在一定程度上促进了科研成果的产生。

然而，在实现了对肿瘤高通量转化医学科研数据的存储和管理基础上，需要进一步从用户的角度来考虑信息的获取方式。比如用户输入查询词，如何准确地理解用户的需求、提供全面的科学文献和科学数据的关联关系的检索结果以及便捷的数据下载方式，是需要解决的关键问题。加强肿瘤相关科学数据资源的开发和利用，构建转化医学研究中肿瘤相关开放科学数据与科学文献整合平台，支持科研人员及时跟进肿瘤基因组学的最新研究成果，具有重要的科学意义。

对于实际检索过程中，从用户的角度来说，我们发现科学数据与科学文献的关联检索是一个非常大的需求。而现有的数据库/平台只能基于特定的关键词单独对科学文献或者科学数据进行检索。而不能针对特定的数据集找到相关的文献，或者从科学文献链接到相关的科学数据。比如，我们可以通过关键词或者ftp获取相关的科学数据或者科学文献列表。但是，对于特定文献研究中涉及到的数据集，我们无法进行准确地定位或者关联。此外，对于数据库中存储的科学数据的共享和利用情况，不能很好地进行检索与分析。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种肿瘤相关科学文献和科学数据的非结构化整合分析方法。

为了实现上述目的，本发明的实施例公开了一种肿瘤相关科学文献和科学数据的非结构化整合分析方法，包括以下步骤：从开放平台获取肿瘤科学数据 和肿瘤科学文献；对所述肿瘤科学数据和所述肿瘤科学文献进行结构化存储和归类，并建立索引；利用自然语言处理技术对所述肿瘤科学文献进行处理，提取文献所研究的肿瘤类型、采用的肿瘤科学数据类型信息，其中，所述肿瘤科学数据类型的相关信息包括基于原数据集发表的肿瘤科学文献和基于数据重利用发表的肿瘤科学文献；对所述肿瘤科学数据的重利用情况进行统计性分析，得到热门研究的科学数据类型、不同数据类型之间的相关性和汇总整合分析策略；或对所述肿瘤科学文献的进行统计性分析，提取所述肿瘤科学文献对应的期刊信息、作者信息和所在国家信息，进一步将信息汇总。

根据本发明实施例的肿瘤相关科学文献和科学数据的非结构化整合分析方法，能够将主流的肿瘤科学数据存储平台与可开放获取的科学文献数据关联起来，使用户能够查询到现有的肿瘤研究趋势(通过对肿瘤科学数据的重利用情况的分析，发现不同肿瘤类型及高通量数据类型、临床数据类型等研究热度)；基于特定科学数据集，检索到与该数据集相关的科学文献；基于特定的科学文献，检索到跟该文献相关的数据集。

另外，根据本发明上述实施例的肿瘤相关科学文献和科学数据的非结构化整合分析方法，还可以具有如下附加的技术特征：

进一步地，所述肿瘤科学数据的获取来源包括国际癌症基因组图谱计划和国际癌症基因组联盟。

进一步地，所述肿瘤科学数据类型的来源包括美国国家生物技术信息中心，收集所述美国国家生物技术信息中心中的肿瘤科学文献的表达方式和所述表达方式的同义词总结肿瘤科学文献目录。