Opis projektu
Nowatorska technologia analizy tekstu do interpretacji danych omicznych
Tempo generowania dużych zbiorów danych w związku z użyciem technologii omicznych stale rośnie. Interpretacja tych informacji wiąże się z tworzeniem powiązań między pojedynczymi encjami w kontekście sieci molekularnych. Powiązania te określa się nie tylko na bazie danych omicznych, ale w znacznym stopniu również na podstawie wstępnie wygenerowanych sieci utworzonych w ramach analizy tekstowej milionów prac naukowych. Zespół finansowanego ze środków UE projektu DeepTextNet zamierza ekstrahować z literatury biomedycznej nowe informacje na temat rodzaju i kierunku powiązań molekularnych. Celem badaczy jest opracowanie nowoczesnej technologii analizy tekstu do pozyskiwania informacji o relacjach w kontekście oddziaływań cząsteczkowych. Będzie ona oparta na uczeniu głębokim, a do trenowania będzie wykorzystywać duże zbiory danych (a nie niewielkie, ręcznie selekcjonowane zbiory danych, jak w przypadku obecnych technologii).
Cel
"The academic community and the pharmaceutical industry use omics technologies to produce big data at an incredibly increasing rate but are faced with major challenges when it comes to their interpretation. Key for this interpretation is the association between individual entities, which in a biological context means creating molecular networks. These associations cannot be derived from the omics data alone, but rely heavily on pre-generated networks created by text mining of millions of scientific articles. One of the most popular sources of such networks is the STRING database, which currently serves ~100,000 users monthly.
Many of these users work with omics data and a major obstacle, which limits potential benefits for them, is that literature-derived networks are made up of ""functional associations"", stating only that two molecules do something together, but neither the interaction type nor the direction. Hence, our hypothesis is that state-of-the-art computational approaches will be able to exploit new possibilities in network biology that emerge from big data. The key objective of DeepTextNet is to extract novel information from the biomedical literature on the type and direction of gene/protein associations. Specifically, a new paradigm will be realized by building a next generation text mining technology for relation extraction of molecular interactions that explicitly utilizes deep learning and, in contrast to current methodology, makes use of big data for training as opposed to small manually curated datasets. This new strategy for obtaining comprehensive molecular networks with both type and direction for the interactions is precisely what is currently missing for the interpretation of omics data. We expect the impact to be high and wide, as on top of applying this strategy on omics datasets as part of the project, the new technology will feed directly into STRING, which is used globally and integrated into workflows in both academia and industry."
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
- nauki przyrodniczeinformatykabazy danych
- nauki przyrodniczeinformatykanauka o danychduże zbiory danych
- nauki przyrodniczenauki biologicznebiochemiabiocząsteczkibiałka
- nauki przyrodniczeinformatykasztuczna inteligencjauczenie maszynoweuczenie głębokie
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
1165 Kobenhavn
Dania