面向社交网络的药物不良反应的隐含知识发现

It is well known that adverse drug reactions are harmful to people.It is very important for us to identify and discover the adverse drug reactions. The posts from the social networks are valuable information resources with instantaneity. Meanwhile, the authority of biomedical literatures and posts instantaneity are combined to access the adverse drug reaction. Its task not only identifies the adverse drug reactions but also tries to account for the their reasons. As a result,the procedure of knowledge discovery of adverse drug reaction has to be divided two phases. One is hypothesis generation, and the other is hypothesis verification. The discovery workflow is as following. In the first phase, it collects the posts from social networks for health and medical treatment. It extracts the drug, symptoms, and conditions based on Named Entity Identification with deep learning,event extraction with dependency parser and learning from positive and unlabeled data. Then, the hypothesis is generated. In the second phase, the hypothesis has to be verified with biomedical literatures(MEDLINE).The knowledge discovery and verification depend on the semantic resource. It applies Hash Graph kernel function to extract the relationship between drug,diseases,genes, and it clusters the paths between biomedical entities. It constructs the visual platform of discovering adverse drug reactions, then it proposes the explanation paths about the events in order to help doctors to judge those adverse drug reactions.

目前药物不良反应对于人的生命健康造成很大的危害，如何快速识别和发现药物不良反应具有非常实际的意义。在移动互联时代，来自社交网络的药物评论是挖掘药物不良反应非常有价值的信息源。本课题的研究目标不仅仅识别出药物的不良反应事件，同时，基于生物医学文献的隐含知识发现，找到可能的解释路径。因此，将药物不良反应的知识发现过程分为两个部分，一是假设生成，二是假设检验。其基本流程如下：首先，通过社交网络采集用户评论信息，利用基于词向量和神经网络的命名实体识别方法、基于依存关系的事件抽取方法，获取药物、不良反应症状以及背景信息，形成药物不良反应的假设；然后，利用生物医学领域丰富的语义资源，采取基于哈希图核方法抽取药物与症状、药物与基因的关系，利用深度学习方法进行病理路径聚类和评分，构建药物不良反应的隐含知识发现模型，对于不良反应给出可能的解释路径，辅助医学研究人员对于药物不良反应做出判定。

药物不良反应已成为医学界和广大民众关注的热点，用药安全问题日益得到全社会的重视，如何判断和预测药物不良反应具有重大的理论价值和实用价值。随着互联网和社交网络的迅速普及，来自社交网络的药物评论成为了挖掘药物不良反应非常有价值的信息源。本项目基于社交网络识别药物不良反应事件，并基于生物医学文献开展了隐含知识发现，找到了可能的解释路径。本项目将药物不良反应的知识发现过程分为两个部分，一是假设生成，二是假设检验。其基本流程如下：首先，提出了基于意图理解和伪相关反馈的生物医学文献检索方法，用以检索出不良反应相关的医学文献，并通过社交网络采集用户评论信息，进而构建了基于注意力机制的深度神经网络模型进行命名实体识别，实现了基于依存关系的事件抽取方法，获取药物、不良反应症状以及背景信息，形成了药物不良反应的假设；然后，利用生物医学领域丰富的语义资源，提出了基于哈希图核的关系抽取方法，抽取药物与症状、药物与基因以及药物致病关系，实现了深度学习方法进行病理路径聚类和评分，构建了药物不良反应的隐含知识发现模型，对于不良反应给出了可能的解释路径，辅助医学研究人员对于药物不良反应做出判定。. 项目研制以来，在面向生物医学领域的信息检索、命名实体识别、关系抽取、事件抽取、药物致病关系抽取以及药物不良反应隐含知识发现等领域，取得了初步的进展。共计发表论文60余篇，SCI论文30篇，其中CCF推荐列表中的A、B类期刊和会议论文16篇，主要会议有IJCAI、CIKM、BIBM等，主要SCI期刊Bioinformatics, IEEE/ACM Transactions on Computational Biology and Bioinformatics,BMC Bioinformatics，Journal of Biomedical Informatics等以及中文期刊《计算机学报》、《计算机研究与发展》、《模式识别与人工智能》和《中文信息学报》等。申请发明专利6项，软件著作权2项，为相关领域研究提供了有效的解决方案，通过药物不良反应知识发现平台给出药物不良反应潜在的解释路径，为医学研究提供了重要的辅助参考，促进了医学领域研究持续发展。