Σύστημα Επεξεργασίας και Ανάλυσης Βιο-ιατρικής Βιβλιογραφίας με Στόχο την Υποστήριξη Ερωτημάτων

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ Η/Υ & ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Σύστημα Επεξεργασίας και Ανάλυσης Βιο-ιατρικής Βιβλιογραφίας με Στόχο την Υποστήριξη Ερωτημάτων Μηνά Ιωάννα Επιβλέπων: Χατζηλυγερούδης Ιωάννης, Αναπληρωτής Καθηγητής Πάτρα, Φεβρουάριος 2017

2 Η Τριμελής Επιτροπή: Χατζηλυγερούδης Ιωάννης Αναπληρωτής Καθηγητής Μακρής Χρήστος Επίκουρος Καθηγητής Μεγαλοοικονόμου Βασίλειος Καθηγητής 2

3 Ευχαριστίες Αρχικά, θα ήθελα να ευχαριστήσω τον επιβλέποντα καθηγητή μου κ. Χατζηλυγερούδη Ιωάννη θερμά, που μου εμπιστεύτηκε το θέμα της εργασίας και μου επέτρεψε έτσι να ασχοληθώ με ένα τόσο ενδιαφέρον πεδίο και να διευρύνω τις γνώσεις και τις ικανότητες μου. Στην συνέχεια, θα ήθελα να ευχαριστήσω τους καθηγητές κ. Μακρή Χρήστο και κ. Μεγαλοοικονόμου Βασίλειο, που μου έκαναν την τιμή να είναι μέλη της τριμελούς επιτροπής της εργασίας μου. Επίσης θα ήθελα να ευχαριστήσω θερμά τον Δρ. Κουτσογιάννη Κωνσταντίνο, καθώς και τον κ. Κόβα Κωνσταντίνο και τα υπόλοιπα μέλη της ομάδας Τεχνητής Νοημοσύνης του τμήματος. Τέλος, θα ήθελα να ευχαριστήσω μέσα από την καρδιά μου, την οικογένεια μου και τους φίλους μου, για την αμέριστη υποστήριξη και ενθάρρυνση που μου παρείχαν όλον αυτό το καιρό... 3

4 Κατάλογος περιεχομένων Περίληψη Εισαγωγή Συνεισφορά της Διπλωματικής Δομή της Διπλωματικής Σχετικές Εργασίες Το Σύστημα BioSite CreateBase Crawler GateProcess OntologyProcess ClusteringProcess BioSite Interface Παρουσίαση του συστήματος BioSite Γλώσσες Προγραμματισμού, Τεχνολογίες, Εργαλεία Γλώσσες Προγραμματισμού Διεπαφές Προγραμματισμού Εφαρμογών Εργαλεία Netbeans Protege GATE Apache Tomcat Συμπεράσματα, Μελλοντικές Βελτιώσεις Συμπεράσματα Μελλοντικές Βελτιώσεις...83 Βιβλιογραφία

5 Κατάλογος εικόνων Διάγραμμα 1: Διαδοχική εκτέλεση των υποσυστημάτων του BioSite...29 Διάγραμμα 2: Ιεραρχία των κλάσεων της GENIAterm40.owl οντολογίας...33 Διάγραμμα 3: Ιεραρχία των κλάσεων της GENIAevent.owl οντολογίας...34 Διάγραμμα 4: Ιεραρχία των κλάσεων της BioSiteOntology.owl οντολογίας...36 Εικόνα 1: Περιεχόμενα της Κλάσης Protein...57 Εικόνα 2: Ιδιότητες ενός άρθρου...57 Εικόνα 3: Ιδιότητες ενός βιοϊατρικού όρου...58 Εικόνα 4: Περιεχόμενα της κλάσης Cluster...58 Εικόνα 5: Ιδιότητες μίας συστάδας...58 Εικόνα 6: Ιδιότητες ενός άρθρου μετά την εκτέλεση της συσταδοποίησης...59 Εικόνα 7: Αρχική σελίδα του συστήματος BioSite...60 Εικόνα 8: Σελίδα εγγραφής χρήστη...60 Εικόνα 9: Εμφάνιση πεδίων αναζήτησης...61 Εικόνα 10: Σελίδα εισαγωγής τιμής σε πεδίο αναζήτησης...61 Εικόνα 11: Αναζήτηση βάση ονόματος συγγραφέα...62 Εικόνα 12: Αναζήτηση βάση γενικών όρων : ''cancer in women''...62 Εικόνα 13: Αποτελέσματα ερωτήματος γενικών όρων...63 Εικόνα 14: Το πρώτο άρθρο των αποτελεσμάτων του ερωτήματος γενικών όρων...64 Εικόνα 15: Το δεύτερο άρθρο των αποτελεσμάτων του ερωτήματος γενικών όρων...65 Εικόνα 16: Μέρος κειμένου άρθρου με επισήμανση όρων...65 Εικόνα 17: Αναζήτηση βάση βιοϊατρικού όρου : ''cancer''...66 Εικόνα 18: Αποτελέσματα αναζήτησης βάση βιοϊατρικού όρου...66 Εικόνα 19: Σελίδα λεπτομερειών άρθρου...67 Εικόνα 20: Μέρος κειμένου άρθρου με επισήμανση όρων...67 Εικόνα 21: Εμφάνιση του πλήρους κειμένου ενός άρθρου...68 Εικόνα 22: Εμφάνιση σχετικών άρθρων βάση συσταδοποίησης...69 Εικόνα 23: Σελίδα λεπτομερειών σχετικού άρθρου

6 Ευρετήριο πινάκων Πίνακας 1: Υποσυστήματα του συστήματος BioSite...28 Πίνακας 2: Κλάσεις που προστέθηκαν στην BioSiteOntology.owl...37 Πίνακας 3: Ιδιότητες τύπου Object που προστέθηκαν στην BioSiteOntology.owl...38 Πίνακας 4: Ιδιότητες τύπου Datatype που προστέθηκαν στην BioSiteOntology.owl...39 Πίνακας 5: Επιτρεπτά είδη άρθρων - δημοσιεύσεων...41 Πίνακας 6: Δομή του Genia Application

7 Περίληψη Στα πλαίσια αυτής της διπλωματικής σχεδιάζεται και υλοποιείται το σύστημα BioSite, το οποίο αποτελεί ένα συστήμα επεξεργασίας και ανάλυσης βιοϊατρικής βιβλιογραφίας με στόχο την υποστήριξη ερωτημάτων. Το σύστημα BioSite, έχει ως σκοπό του την υποστήριξη γρήγορων και αποτελεσματικών αναζητήσεων στο πεδίο της βιοϊατρικής, καθώς και την παρουσίαση των αποτελεσμάτων με φιλικό τρόπο ως προς τους χρήστες, με τα αποτελέσματα να περιέχουν μόνο άρθρα των οποίων το πλήρες κείμενο είναι άμεσα διαθέσιμο, κάτι που δεν παρέχεται από την PubMed Central και άλλες ηλεκτρονικές βιβλιοθήκες, στις οποίες πολλά από τα επιστρεφόμενα αποτελέσματα περιέχουν μόνο τις βασικές πληροφορίες και μια περίληψη των άρθρων, με επιπρόσθετη πληροφορία πρόσβασης στο πλήρες κείμενο τους. Το σύστημα συλλέγει μόνο τα άρθρα από την PubMed Central, με δημόσια διαθέσιμο κείμενο, σχετικό με την βιοϊατρική και τα αποθηκεύει σε τοπική βάση δεδομένων, ώστε να μειωθεί ο χρόνος αναζήτησης των πραγματικά άμεσα διαθέσιμων άρθρων και ο χρήστης να απαλλαχθεί από την διαδικασία ανίχνευσης τους σε ένα μεγάλο πλήθος αποτελεσμάτων. Στην συνέχεια, γίνεται επεξεργασία τους με χρήση εργαλείων επεξεργασίας φυσικής γλώσσας, για την εξαγωγή πληροφορίας σε μορφή σχολίων, που αφορά βιοϊατρικές έννοιες και τις σχέσεις μεταξύ αυτών. Η προκύπτουσα πληροφορία αποθηκεύεται σε μία βιοϊατρική οντολογία η οποία δημιουργείται ειδικά για χρήση από το σύστημα, ως η συνένωση κάποιων υπαρχόντων οντολογιών στο τομέα της βιοϊατρικής με τη προσθήκη όλων των νέων απαραίτητων στοιχείων για την υποστήριξη του συνολικού συστήματος. Αφού αποθηκευτεί η απαραίτητη πληροφορία στην οντολογία, στην συνέχεια εφαρμόζεται ένας αλγόριθμος συσταδοποίησης για την κατηγοριοποίηση των άρθρων. Ο αλγόριθμος σχεδιάστηκε ώστε να εκμεταλλεύεται τη δομή και την πληροφορία της οντολογίας, ώστε η συσταδοποίηση, να μην βασίζεται σε όλους τους βασικούς όρους των κειμένων για την εύρεση της ομοιότητας των κειμένων αυτών, αλλά να χρησιμοποιεί μόνο τους βιοϊατρικούς όρους που ανιχνεύονται, ώστε να οδηγεί σε κατηγοριοποίηση άρθρων βασισμένη στο περιεχόμενο με πιο αυστηρό κριτήριο τον βιοϊατρικό χαρακτήρα του περιεχομένου αυτού. Τέλος, το σύστημα παρέχει την δυνατότητα υποβολής ερωτήματων στην βάση οντολογία του συστήματος και παρουσίασης των αποτελεσμάτων μέσω της ιστοσελίδας του. Τα ερωτήματα μπορεί να περιλαμβάνουν απλούς όρους αναζήτησης, βιοϊατρικούς όρους ή να αφορούν συγκεκριμένα πεδία όπως συγγραφέα κτλ. Όλες οι λειτουργίες του συστήματος διαχωρίζονται και υλοποιούνται από έξι ξεχωριστά μέρη υποσυστήματα, που αποτελούν αυτόνομα εργαλεία. Τα υποσυστήματα αυτά είναι το CreateBase, το Crawler, το GateProcess, το OntologyProcess, το ClusteringProcess και το BioSite Interface υποσύστημα. 7

8 Abstract This Τhesis objective is to design and implement the BioSite system, which is a biomedical literature processing and analysis system for supporting queries. The BioSite system is designed to support fast and efficient searches in the biomedical field and also to present the results in a user - friendly way. The results can only contain articles whose full content is directly available, something not provided by PubMed Central and other online libraries, where many of the returned results contain only the basic information and a summary of the articles, providing access to external sources for further information. The system collects articles from PubMed Central, with publicly available content related to biomedicine and stores them in a local database, in order to reduce the search time of actually available articles by preventing a detection process within a large number of results. Then, the articles are processed, using natural language processing tools, in order to extract information about biomedical concepts and the relationships among them, in the form of annotations. The resulting information is stored in a biomedical ontology which was created specifically for BioSite system, as the combination of some existing ontologies in the biomedical field with all the new elements necessary to support the overall system. Once the necessary information is stored in the ontology, a clustering algorithm is applied to categorize the articles. The algorithm is designed to exploit the structure and the information within the ontology so that the clustering, can be done by using only biomedical terms in order to find the similarity among the articles, instead of using all of their basic terms. Thus, the categorization of the articles is focused on the biomedical aspect of the article's content. The system also provides the ability to query the system's database - ontology and display the results on its website. Queries may consist of simple search terms, biomedical terms or regard specific search areas like author etc. BioSite's functions are separated and carried out by six modules subsystems, that are in fact independent tools. These subsystems are the CreateBase, the Crawler, the GateProcess, the OntologyProcess, the ClusteringProcess and the BioSite Interface. 8

9 1 Εισαγωγή Ζούμε σε μια εποχή όπου είναι διαθέσιμη σε όλους, μία άνευ προηγουμένου ποσότητα πληροφοριών, με αποτέλεσμα το έργο της εξεύρεσης συγκεκριμένης πληροφορίας να γίνεται όλο και πιο δύσκολο. Πιο συγκεκριμένα, στο πεδίο της Ιατρικής Πληροφορικής, της επιστήμης που μελετά την δημιουργία, την επεξεργασία και την χρήση της πληροφορίας, των δεδομένων και της γνώσης για την επίλυση ιατρικών προβλημάτων και στο πεδίο της Βιοπληροφορικής, που θεωρεί τα βιολογικά δεδομένα (DNA, RNA, πρωτεϊνες) ως ψηφιακή πληροφορία και εφαρμόζει αλγορίθμους για την αποδοτική παραγωγή χρήσιμων συμπερασμάτων, υπάρχει μία πληθώρα σχετικών ερευνών, επιστημονικών αποτελεσμάτων και σχετικών κειμένων βιοϊατρικού περιεχομένου που αυξάνονται ραγδαία, όπως είναι αναμενόμενο και από την σημασία που έχουν για όλους μας τα συγκεκριμένα πεδία. Το υλικό αυτό βρίσκεται πλέον διαθέσιμο και σε ηλεκτρονική μορφή, σε έναν μεγάλο αριθμό βάσεων δεδομένων του Παγκόσμιου Ιστού. Παραδείγματα τέτοιων βάσεων είναι η Medline, η PubMed Central και το Springerlink. Η Medline [20], αποτελεί μία διαδικτυακή βιβλιοθήκη, η οποία παρέχει αναφορές περιοδικών και δημοσιεύσεων, καθώς και περιλήψεις βιοϊατρικής βιβλιογραφίας. Χρησιμοποιείται παγκόσμια και σκοπός της είναι να παρέχει πρόσβαση σε αυτήν την βιβλιογραφία που προέρχεται από όλον τον κόσμο, αλλά και να εφαρμόσει έναν έλεγχο, τόσο από επιστημονικής πολιτικής όσο και από επιστημονικής ποιότητας, στο τι θα είναι δημόσια προσβάσιμο. Η απόφαση για τον εάν μία δημοσίευση θα γίνει δεκτή και θα συμπεριληφθεί στην βάση, λαμβάνεται από τον διευθυντή του National Library of Medicine NLM [21]. 9

10 Η PubMed Central [22], είναι μία ηλεκτρονική βιβλιοθήκη, που αποτελείται από περισσότερα από 26 εκατομμύρια παραπομπές σε βιοϊατρική βιβλιογραφία της Medline, περιοδικά για την επιστήμη της ζωής και μία πληθώρα ηλεκτρονικών βιβλίων. Η λειτουργία της αφορά τόσο την παροχή ενός εργαλείου για εύκολη πρόσβαση στην βιβλιογραφία που παρέχεται από την Medline, όσο και στην παροχή χώρου αποθήκευσης ηλεκτρονικής μορφής υλικού βιοϊατρικού περιεχομένου. Σκοπός της είναι η παροχή πρόσβασης σε αυτήν την βιβλιογραφία σε χρήστες σε όλον τον κόσμο. Το Springerlink [23], αποτελεί μία ηλεκτρονική βιβλιοθήκη που αποσκοπεί στην παροχή βιβλιογραφίας για εκατομμύρια επιστημονικά κείμενα, δημοσιεύσεις, βιβλία, πρωτόκολλα και παραπομπές άρθρων, σε πολλούς τομείς όπως αρχιτεκτονική, εκπαίδευση, νομική, φιλοσοφία αλλά και βιοϊατρική και υγεία, ώστε να αποκτήσουν πρόσβαση σε αυτά ερευνητές από όλον τον κόσμο. Στον τομέα της βιοϊατρικής, παρέχονται κυρίως άρθρα και παραπομπές σχετικού περιεχομένου, χωρίς όμως να είναι διαθέσιμο το πλήρες κείμενο τους. Στα αποτελέσματα μιας αναζήτησης, εμφανίζονται σχετικά με τα άρθρα, που ικανοποιούν τις συνθήκες αναζήτησης, μόνο οι βασικές πληροφορίες για αυτά, καθώς και μία περίληψή τους. Το Springerlink αποτελεί ένα χρήσιμο εργαλείο για άμεση εύρεση άρθρων και δημοσιεύσεων σε μία πληθώρα τομέων. Για αυτόν τον λόγο χρησιμοποιείται από πολλούς ερευνητές σε όλον τον κόσμο, στους οποίους αφού βρουν τα άρθρα που τους ενδιαφέρουν, παρέχεται και ο τρόπος απόκτησης του πλήρους κειμένου τους, με παραπομπή στους ιστοτόπους από όπου μπορούν να αγοράσουν όλα τα μη δημοσίως δωρεάν άρθρα και δημοσιεύσεις. Το βασικό πρόβλημα στην χρήση αυτών των ηλεκτρονικών βάσεων, είναι το μέγεθος της διαθέσιμης πληροφορίας και η δυσκολία επεξεργασίας της, για την εξαγωγή συγκεκριμένων συμπερασμάτων. Επίσης πρόβλημα αποτελεί ότι στα αποτελέσματα περιλαμβάνονται και αναφορές σε άρθρα και δημοσιεύσεις των οποίων το κείμενο δεν είναι διαθέσιμο, πέρα από μια περίληψη του. Έτσι οι χρήστες πρέπει να ελέγξουν μόνοι τους το σύνολο των επιστρεφόμενων αποτελεσμάτων, ώστε να βρουν σε ποια από αυτά μπορούν να έχουν άμεση πρόσβαση, κάτι το οποίο είναι χρονοβόρο και μη χρηστικό. Είναι λοιπόν αναμενόμενη η ανάγκη δημιουργίας νέων αποτελεσματικών και αποδοτικών εργαλείων, που θα μπορούν να διευκολύνουν την ανάκτηση πληροφορίας από το προσφερόμενο υλικό. Με 10

11 κατάλληλη επεξεργασία του, θα οδηγούν στην εξόρυξη χρήσιμης γνώσης και συμπερασμάτων, διευκολύνοντας και απλοποιώντας τις διαδικασίες αναζήτησης, παρέχοντας έτσι στους χρήστες γρήγορη και ουσιώδη απάντηση στα ερώτηματά του. Σκοπός της παρούσας διπλωματικής, είναι η ανάπτυξη ενός ολοκληρωμένου συστήματος επεξεργασίας και ανάλυσης βιοϊατρικής βιβλιογραφίας με στόχο την υποστήριξη ερωτημάτων. Πιο συγκεκριμένα, η προσπάθεια επικεντρώνεται στην ανάπτυξη ενός ολοκληρωμένου συστήματος που θα παρέχει εύκολη και γρήγορη πρόσβαση σε ένα μέρος της βιβλιογραφίας της PubMed Central. Το υποσύνολο της βιβλιογραφίας αυτό, θα έχει την ιδιότητα ότι αποτελείται μόνο από άρθρα και δημοσιεύσεις των οποίων το πλήρες κείμενο είναι δωρεάν δημοσίως διαθέσιμο. Έτσι οι χρήστες θα λαμβάνουν ως αποτελέσματα των αναζητήσεων τους άρθρα τα οποία θα είναι άμεσα διαθέσιμα, μειώνοντας έτσι τον χρόνο αναζήτησης και έρευνας. Σκοπός του συστήματος, είναι επίσης η επεξεργασία της βιβλιογραφίας αυτής, έτσι ώστε να μπορεί να παρέχει στους χρήστες έναν εύκολο και γρήγορο τρόπο ανάκτησης πληροφορίας σχετικά με ερωτήματα που τον ενδιαφέρουν. Οι χρήστες του συστήματος θα μπορούν να υποβάλλουν ερωτήματα και θα λαμβάνουν τα κατάλληλα αποτελέσματα που απαντούν στα ερωτήματα που έθεσαν, με τρόπο τέτοιο ώστε να μπορούν να εντοπίζουν τα σημεία ενδιαφέροντος γρήγορα και εύκολα, χωρίς να χρειάζεται να ψάξουν οι ίδιοι ολόκληρο το κείμενο των άρθρων. Τέλος, το σύστημα αποσκοπεί στην διευκόλυνση της περιήγησης των χρηστών, την απλοποίηση των διαδικασιών αναζήτησης και στην παροχή επιπρόσθετης πληροφορίας που πιθανόν να είναι χρήσιμη στους χρήστες,καθώς είναι σχετική, με έμμεσο όμως τρόπο, με το ερώτημα που έθεσαν. Για να επιτευχθούν οι στόχοι αυτοί, το σύστημα, υλοποιεί ένα σύνολο λειτουργιών. Η αρχική λειτουργία είναι η ανάκτηση κειμένων βιοϊατρικού περιεχομένου, από την ηλεκτρονική βάση δεδομένων PubMed Central. Η ανάκτηση περιορίζεται μόνο στα άρθρα των οποίων είναι διαθέσιμο δωρεάν το πλήρες κείμενο. Στην συνέχεια, η επόμενη λειτουργία είναι η επεξεργασία των κειμένων των άρθρων και των δημοσιεύσεων που ανακτήθηκαν. Η επεξεργασία των κειμένων γίνεται με τη χρήση των κατάλληλων εργαλείων επεξεργασίας Φυσικής Γλώσσας. 11

12 Η επόμενη λειτουργία είναι ο προσδιορισμός των εννοιών που παρουσιάζονται σε αυτά τα κείμενα. Οι έννοιες αυτές αφορούν βιοϊατρικούς όρους και αφού αναγνωριστούν από κατάλληλα εργαλεία, προσδιορίζονται και οι μεταξύ τους σχέσεις. Αφού προσδιοριστούν οι έννοιες, η πληροφορία σχετικά με αυτές και των μεταξύ τους σχέσεων, αποθηκεύεται σε κατάλληλη μορφή σε οντολογία. Η οντολογία αυτή προκύπτει από την συνένωση ήδη υπαρχόντων οντολογιών στον χώρο της βιοπληροφορικής, εμπλουτισμένη κατάλληλα ώστε να αποτελεί την τελική βάση δεδομένων του συνολικού συστήματος. Μία ακόμη λειτουργία του συστήματος είναι η εκμετάλλευση της δομής της οντολογίας για κατασκευή αλγορίθμων. Οι αλγόριθμοι αυτοί χρησιμοποιούνται για την κατηγοριοποίηση και την συσταδοποίηση σχετικών κειμένων, ώστε να παρέχεται κατάλληλη πληροφορία και γνώση στους χρήστες του συστήματος. Επιπλέον, το σύστημα υποστηρίζει αναζητήσεις βάση κατηγοριοποίησης και συσταδοποίησης σχετικών κειμένων, βάση όρων που προκύπτουν από ερωτήματα χρήστη, βάση βιοϊατρικών όρων αλλά και βάση ημερομηνιών έκδοσης άρθρων και δημοσιεύσεων, συγγραφέων και άλλων τέτοιων πληροφοριών. Η τελική λειτουργία που υλοποιεί το σύστημα είναι η επιστροφή απαντήσεων στα ερωτήματα χρηστών, με κατάλληλο και αποδοτικό τρόπο, ώστε να διευκολύνεται η διαδικασία αναζήτησης και εύρεσης συγκεκριμένης πληροφορίας με την λιγότερη δυνατή προσπάθεια από τη μεριά των χρηστών. Έτσι, το σύστημα που αναπτύχθηκε παρέχει βοήθεια στους χρήστες που θέλουν να αναζητήσουν πληροφορίες σε κείμενα της Βιοιατρικής, παρέχοντας τους μια βάση τέτοιων κειμένων αλλά και μία διεπαφή (ιστοσελίδα), η οποία τους διευκολύνει στην αναζήτηση τόσο συγκεκριμένης πληροφορίας που βασίζεται σε δικό τους ερώτημα, όσο και στην αναζήτηση σχετικών μεταξύ τους κειμένων βάση γενικής κατηγορίαςπεδίου στο οποίο ανήκουν (αλγόριθμος κατηγοριοποίησης), είτε από άποψη πιο συγκεκριμένης ομοιότητας βάση περιεχομένου (αλγόριθμος συσταδοποίησης). 12

13 1.1 Συνεισφορά της Διπλωματικής Στην παρούσα διπλωματική, υλοποιήθηκε ένα ολοκληρωμένο σύστημα, που ονομάζεται BioSite. Σε αυτό το σύστημα οι χρήστες μπορούν να έχουν πρόσβαση από την ιστοσελίδα διεπαφή που δημιουργήθηκε, αλλά και να ενσωματώσουν όποια από τα υποσυστήματά του επιθυμούν στις δικές τους εφαρμογές, ώστε να εκμεταλλευτούν τις λειτουργίες που αυτά παρέχουν. Το σύστημα BioSite είναι ένα εργαλείο ανάκτησης άρθρων και δημοσιεύσεων από ηλεκτρονικές βιβλιοθήκες βιοϊατρικού περιεχομένου. Ακολουθεί η επεξεργασία των κειμένων αυτών των άρθρων με τη χρήση εργαλείων επεξεργασίας φυσικής γλώσσας. Αφού εκτελεστεί η επεξεργασία, ακολουθεί η εισαγωγή της πληροφορίας που υπολογίστηκε σε κατάλληλη μορφή και με τον κατάλληλο τρόπο σε μία οντολογία, που προκύπτει από την συνένωση και επεξεργασία οντολογιών που υπάρχουν στον τομέα της Βιοπληροφορικής. Η εμπλουτισμένη με την νέα πληροφορία και γνώση οντολογία, χρησιμοποιείται έπειτα ως βάση δεδομένων, έτσι ώστε να υποστηριχθούν διάφορες λειτουργίες όπως αναζητήσεις άρθρων από τους χρήστες, εμφάνιση αποτελεσμάτων και απαντήσεων, σχετικά άρθρα κ.ά. Η βασική συνεισφορά της παρούσας Διπλωματικής έγκειται στο γεγονός ότι παρέχει ένα χρήσιμο εργαλείο, το οποίο υποστηρίζει ένα σύνολο λειτουργιών που μπορούν να χρησιμοποιηθούν, για την υποστήριξη και την διευκόλυνση χρηστών στην διαδικασία εύρεσης ενός μεγάλου συνόλου άρθρων και δημοσιεύσεων των οποίων το πλήρες κείμενο είναι δημόσια δωρεάν διαθέσιμο, την ανάκτηση άρθρων και κειμένων ειδικού ενδιαφέροντος μέσα από τις παρεχόμενες λειτουργίες ειδικής αναζήτησης, την εύρεση σημασιολογικά όμοιων κειμένων με αυτά που επιθυμούν μέσα από μια σειρά παρεχόμενων λειτουργιών όπως κατηγοριοποίηση και συσταδοποίηση και τέλος η παροχή απαντήσεων σε ερωτήματα του χρήστη και η παρουσίαση των αποτελεσμάτων με τέτοιον τρόπο ώστε να διευκολύνεται η ανίχνευση της χρήσιμης πληροφορίας άμεσα και εύκολα. Τα αποτελέσματα παρέχονται σε μορφή τέτοια ώστε να διευκολύνονται οι χρήστες από άποψη χρόνου και προσπάθειας που χρειάζεται να καταβάλλουν για να βρουν την συγκεκριμένη πληροφορία που αναζητούν. 13

14 Εκτός από την βασική συνεισφορά που αναφέρεται παραπάνω, η εργασία συνεισφέρει και στην ανάπτυξη άλλων εφαρμογών ανάκτησης κειμένων από ηλεκτρονικές βιβλιοθήκες, εφαρμογές επεξεργασίας κειμένων φυσικής γλώσσας και εφαρμογές που χρειάζονται για την λειτουργία τους οντολογίες στον τομέα της Βιοπληροφορικής. Αυτό συμβαίνει χάρη στον τρόπο σχεδιασμού και υλοποίησης του συστήματος BioSite ως ένα σύνολο υποσυστημάτων, που το κάθε ένα είναι υπεύθυνο για την εκτέλεση ενός υποσυνόλου των απαραίτητων λειτουργιών του συστήματος. Έτσι, κάθε υποσύστημα λειτουργεί αυτόνομα και εκτελεί κάποια διεργασία, έτσι ώστε το σύνολο των επιμέρους αυτών διεργασιών να καλύπτει το σύνολο των απαιτούμενων λειτουργιών του συστήματος. Κάθε τέτοιο υποσύστημα μπορεί λοιπόν να χρησιμοποιηθεί από άλλες εφαρμογές που μπορεί να χρειάζονται τις λειτουργίες που εκτελεί, αφού ενσωματωθεί στον λογισμικό τους. Το πρώτο υποσύστημα είναι ένα εργαλείο ανάκτησης κειμένων βιοϊατρικού περιεχομένου από την online βάση δεδομένων PubMed Central. Το εργαλείο αυτό επικεντρώνεται στην ανάκτηση ερευνητικών άρθρων βιοϊατρικού περιεχομένου, που έχουν δημόσια διαθέσιμο το πλήρες κείμενό τους (full-text free articles). Μπορεί να χρησιμοποιηθεί και αυτόνομα για την δημιουργία τοπικής βάσης τέτοιων κειμένων (με δυνατότητα επιλογής του αριθμού τους), από ερευνητές που χρειάζονται αυτά τα κείμενα για περαιτέρω επεξεργασία. Το δεύτερο υποσύστημα είναι ένα εργαλείο δημιουργίας μιας νέας οντολογίας, που χρησιμοποιεί και ενοποιεί κάποιες ήδη υπάρχουσες στο πεδίο της Βιοϊατρικής οντολογίες. Αφού επεξεργαστεί κατάλληλα τις υπάρχουσες οντολογίες ώστε να τις ενοποιήσει, εκτελεί μία σειρά προσθέσεων και επεξεργασιών σε αυτήν την συνένωση, ώστε το αποτέλεσμα που θα προκύψει να αποτελεί μία ολοκληρωμένη και λειτουργική οντολογία που θα είναι κατάλληλη για χρήση ως βάση δεδομένων. Σε αυτήν την οντολογία θα αποθηκεύονται πληροφορίες που προέκυψαν από την επεξεργασία των άρθρων αλλά και πληροφορίες απαραίτητες για την λειτουργία της ιστοσελίδας του συστήματος. Το τρίτο υποσύστημα είναι ένα εργαλείο επεξεργασίας κειμένων, που βασίζεται σε εργαλεία επεξεργασίας Φυσικής Γλώσσας, όπως είναι το εργαλείο GATE - General Architecture for Text Engineering [25] και το εργαλείο προσθήκης ετικετών GENIA [26], για τον σχολιασμό των κειμένων από βιοϊατρικής άποψης. Το εργαλείο αυτό μπορεί να 14

15 χρησιμοποιηθεί αυτόνομα σε οποιαδήποτε βάση σύνολο από αρχεία καθαρού κειμένου και έχει ως αποτέλεσμα την δημιουργία νέων αρχείων με σχολιασμένο περιεχόμενο από βιοϊατρική σκοπιά. Μπορεί λοιπόν να χρησιμοποιηθεί σε οποιοδήποτε αριθμό και μέγεθος απλών κειμένων και το σχολιασμένο αποτέλεσμα μπορεί να χρησιμοποιηθεί σε οποιαδήποτε εφαρμογή έχει ανάγκη από βιοϊατρικής άποψης σχολιασμένο κείμενο. Το τέταρτο υποσύστημα είναι ένα εργαλείο χρήσης και επεξεργασίας των σχολιασμένων κειμένων, για την εισαγωγή της επιθυμητής και μόνο πληροφορίας στην οντολογία. Σε αυτό το υποσύστημα υλοποιείται επίσης και ο αλγόριθμος κατηγοριοποίησης των κειμένων, σε προκαθορισμένες κατηγορίες με βιοϊατρική σημασία. Το πέμπτο υποσύστημα είναι ένα εργαλείο επεξεργασίας της πληροφορίας που διατηρείται στην οντολογία, με σκοπό την εκμετάλλευση της δομής της για την συσταδοποίηση σχετικών κειμένων. Η διαφορά με τους συνηθισμένους τρόπους συσταδοποίησης είναι ότι στη συγκεκριμένη περίπτωση, ο έλεγχος ομοιότητας για την συσταδοποίηση των κειμένων θα γίνει βάση του περιεχομένου των κειμένων ως προς την βιοϊατρική έννοια και όχι βάση του γενικού περιεχομένου τους. Το έκτο και τελευταίο υποσύστημα είναι μία διαδικτυακή εφαρμογή (ιστοσελίδα), που χρησιμοποιεί την οντολογία ως βάση δεδομένων και επιτρέπει στους χρήστες την υποβολή ερωτημάτων. Ένας χρήστης έχει πρόσβαση σε άρθρα και δημοσιεύσεις των οποίων παρέχεται το πλήρες κείμενο και μπορεί να υποβάλλει στο σύστημα διάφορων ειδών ερωτήματα και να διεξάγει αναζητήσεις βάση χαρακτηριστικών. Το υποσύστημα επιστρέφει ως απάντηση στα ερωτήματα του χρήστη την σχετική πληροφορία και το άρθρο στο οποίο βρέθηκε, αλλά επίσης και σχετικά κείμενα βάση συσταδοποίησης. Η εξειδικευμένη αναζήτηση βάση συγκεκριμένων χαρακτηριστικών αφορά αναζητήσεις βάση της κατηγορίας στην οποία ανήκουν τα άρθρα, τον συγγραφέα, την ημερομηνία έκδοσης των άρθρων και των δημοσιεύσεων κτλ. 15

16 1.2 Δομή της Διπλωματικής Στη συνέχεια αναφέρεται η δομή του υπολοίπου κειμένου της διπλωματικής και δίνεται μια σύντομη περιγραφή των κεφαλαίων που ακολουθούν. Στο κεφάλαιο 2 παρουσιάζεται αρχικά η ηλεκτρονική βιβλιοθήκη PubMed Central, η οποία χρησιμοποιήθηκε για την απόκτηση των άρθρων και των δημοσιεύσεων που χρησιμοποιήθηκαν από το σύστημα BioSite. Παρουσιάζονται στην συνέχεια σχετικές εργασίες, οι οποίες αφορούν είτε εργαλεία και συστήματα που βασίζονται στην PubMed Central ως βάση δεδομένων τους, είτε εργαλεία που χρησιμοποιούν οντολογίες βιοϊατρικών δεδομένων όπως η οντολογία που αναπτύχθηκε για τις ανάγκες του συστήματος BioSite, είτε εργασίες που αφορούν clustering κειμένων στο πεδίο της Βιοπληροφορικής. Στο κεφάλαιο 3 περιγράφεται αναλυτικά το σύστημα BioSite και όλα τα επιμέρους υποσυστήματά του. Αναλύεται ο σχεδιασμός, η λειτουργία και τα μέρη από τα οποία αποτελείται κάθε υποσύστημα, καθώς επίσης και ο τρόπος με τον οποίο συνδέονται μεταξύ τους. Στο κεφάλαιο 4 παρουσιάζεται η λειτουργία των υποσυστημάτων του BioSite και γίνεται μία επίδειξη της χρήσης της Ιστοσελίδας του συστήματος. Παρουσιάζεται ο τρόπος λειτουργίας του και οι τρόποι με οποίους μπορούν οι χρήστες να πραγματοποιήσουν αναζητήσεις και να θέσουν ερωτήματα. Αναλύεται επίσης και ο τρόπος με τον οποίο επιστρέφονται και παρουσιάζονται τα αποτελέσματα στους χρήστες και οι δυνατότητες που τους παρέχονται, μέσα από ένα σύνολο αντίστοιχων εικόνων. Στο κεφάλαιο 5 δίνεται μία περιγραφή των εργαλείων, των γλωσσών προγραμματισμού, των τεχνολογιών και των συστημάτων (plugins και APIs) που χρησιμοποιήθηκαν ή ενσωματώθηκαν στο σύστημα BioSite. Στο κεφάλαιο 6 παρουσιάζονται τα αποτελέσματα και συμπεράσματα σχετικά με την υλοποίηση του συστήματος και την ικανοποίηση των στόχων της διπλωματικής από το σύστημα BioSite που δημιουργήθηκε. Αναφέρονται επίσης τα ανοιχτά προς βελτίωση θέματα για μετέπειτα έρευνα. 16

17 2 Σχετικές Εργασίες Καθώς η ανάπτυξη του τομέα της βιοϊατρικής είναι ραγδαία, αυξάνεται και η ανάγκη ύπαρξης κατάλληλων βάσεων βιοϊατρικών δεδομένων, που θα επιτρέπουν την εύκολη και γρήγορη πρόσβαση για αξιοποίηση των δεδομένων αυτών. Επίσης είναι αναμενόμενη και η ανάπτυξη εργαλείων και συστημάτων που θα αυτοματοποιούν τις διαδικασίες αναζήτησης και ανάκτησης πληροφορίας σε αυτά τα δεδομένα. Μία από τις πιο σημαντικές διαδικτυακές βάσεις είναι η PubMed Central [22], που περιλαμβάνει περισσότερες από 26 εκατομμύρια αναφορές σε βιοϊατρικού περιεχομένου κείμενα από την Medline [20], επιστημονικά άρθρα και ηλεκτρονικής μορφής βιβλία. Οι αναφορές μπορεί να περιλαμβάνουν από συνδέσμους μέχρι και πλήρους μεγέθους άρθρα, από την Medline και άλλες διαδικτυακές πηγές. Οι παραπομπές και οι περιλήψεις που παρέχει, περιλαμβάνουν τα πεδία της βιοϊατρικής και υγείας, καλύπτοντας επιστήμες ζωής, συμπεριφοράς, χημείας και βιομηχανικής. Η PubMed Central παρέχει στους χρήστες μία διεπαφή μέσω της οποίας αυτοί μπορούν να υποβάλλουν όρους για σχετική αναζήτηση κειμένων. Παρέχει επίσης μια σειρά από ειδικού τύπου αναζητήσεων μέσω των οποίων οι χρήστες μπορούν να αναζητήσουν υλικό βάση του συγγραφέα και άλλων πεδίων. Μία άλλη λειτουργία που παρέχεται από την PubMed Central, είναι η επιστροφή ενός συνόλου σχετικών κειμένων με το άρθρο που εξετάζει ο χρήστης, τα οποία υπολογίζονται μέσω αλγορίθμου συσταδοποίησης. Τα σύνολα σχετικών κειμένων είναι προϋπολογισμένα και έτσι επιταχύνεται η διαδικασία επιστροφής και εμφάνισής τους. Η PubMed Central παρέχει επίσης στους χρήστες την δυνατότητα να υποβάλλουν παραπομπές σε δικά τους άρθρα και να αναφέρουν τον τρόπο πρόσβασης σε αυτά μέσω του εργαλείου LinkOut [24]. Το εργαλείο 17

18 LinkOut επιτρέπει την απευθείας σύνδεση της PubMed Central και άλλων ιστοτόπων, έτσι ώστε να επεκτείνει και να συμπληρώσει την πληροφορία που παρέχεται από αυτήν. Όλοι οι σύνδεσμοι ανατίθενται σε ειδικές εγγραφές της βάσης δεδομένων. Κατά την πρόσβαση σε μία σύνδεση μέσω LinkOut δεν απαιτείται επιπλέον έρευνα ώστε να υπάρξει πρόσβαση στον σχετικό πόρο με τον οποίο υπάρχει η σύνδεση. Αυτοί οι εξωτερικοί πόροι που μπορεί να αφορούν άρθρα, δημοσιεύσεις, βιβλία και άλλες πηγές, μπορεί να φανούν πολύ χρήσιμοι στους χρήστες της PubMed Central. Υπάρχουν αρκετές εργασίες που αφορούν στην ανάπτυξη εργαλείων και συστημάτων που χρησιμοποιούν ως πηγή τους την PubMed Central. Ένα τέτοιο εργαλείο είναι το Basic Local Alignment Search Tool (BLAST) [27]. Το BLAST είναι ένα διαδικτυακό εργαλείο αναζήτησης που χρησιμοποιεί την πληροφορία που προσφέρει η PubMed για να διεξάγει εξόρυξη και ανάκτηση πληροφορίας, με ειδίκευση στην κατηγορία των πρωτεϊνών και των γονιδίων, βρίσκοντας περιοχές τοπικής ομοιότητας μεταξύ πρωτεϊνικών και γονιδιακών αλληλουχιών. Το πρόγραμμα συγκρίνει τις δοθείσες αλληλουχίες με αλληλουχίες σε βάσεις δεδομένων και υπολογίζει την στατιστική σημασία των ταιριασμάτων. Μπορεί να χρησιμοποιηθεί για την συμπερασματική εξαγωγή λειτουργικών και εξελικτικών σχέσεων μεταξύ αλληλουχιών, όπως επίσης και για τον εντοπισμό μελών γονιδιακών οικογενειών. Παρέχει μία διαδικτυακή εφαρμογή που προσφέρει εξειδικευμένες αναζητήσεις μέσω μίας σειράς εργαλείων, για αναζήτηση σε συγκεκριμένα πεδία της βιοϊατρικής. Μπορεί να φανεί πολύ χρήσιμο για ανακάλυψη πληροφορίας και νέων σχέσεων από ερευνητές αυτών των πεδίων. Στην ιστοσελίδα του παρέχεται μια φόρμα αναζήτησης, μέσω της οποίας ο χρήστης μπορεί να εισάγει ως όρους αναζήτησης τα κοινά ή τα επιστημονικά ονόματα οργανισμών ή να επιλέξει σε ποια γενική κατηγορία θέλει να πραγματοποιήσει έρευνα. Οι κατηγορίες περιλαμβάνουν για παράδειγμα την κατηγορία 'άνθρωπος', 'ποντίκι', 'μικρόβιο' κ.ά. Στην συνέχεια κατευθύνεται ώστε να επιλέξει τους περιορισμούς που θα βοηθήσουν στον υπολογισμό των επιθυμητών αποτελεσμάτων. Πρέπει να εισαχθεί κάποια συγκεκριμένη αλληλουχία στο κατάλληλο πεδίο, ώστε να του επιστραφούν αποτελέσματα που περιλαμβάνουν όμοιες αλληλουχίες που ανήκουν στον ίδιο τομέα. Ένας χρήστης μπορεί να επιλέξει ποιο από όλα τα υπόλοιπα παρεχόμενα εργαλεία πιο εξειδικευμένης αναζήτησης θέλει να χρησιμοποιήσει ανάλογα με τις ανάγκες του. Ένα από τα εργαλεία αυτά 18

19 είναι για παράδειγμα το SmartBlast [28], στο οποίο ο χρήστης μπορεί να εισάγει στο πεδίο αναζήτησης όρους σχετικά με πρωτεϊνες μόνο και ως αποτέλεσμα θα του εμφανιστούν πρωτεϊνες που έχουν αλληλουχίες σχετικές με αυτές των όρων αναζήτησης. Ένας ερευνητής ή απλός χρήστης, μπορεί να αποκτήσει εύκολα πρόσβαση στο εργαλείο BLAST είτε μέσω της ιστοσελίδας του, είτε αποκτώντας την βάση δεδομένων BLAST και τα εκτελέσιμα αρχεία [29] που απαιτούνται, ώστε να το ενσωματώσει στις δικές του εφαρμογές. Ένα άλλο εργαλείο που χρησιμοποιεί την PubMed Central, είναι το Biological Expression Language Tracker (BELTracker) [30]. To Biological Expression Language είναι ένα από τα κύρια τυπικά μοντέλα αναπαράστασης βιολογικών δικτύων. Η πηγή πληροφορίας για την οργάνωση των βιολογικών δικτύων σε BEL αναπαράσταση είναι κείμενα βιοϊατρικού περιεχομένου. Για να αναγνωριστούν σχετικά άρθρα και οι αντίστοιχες προτάσεις αποδείξεων, προτάσεις δηλαδή που περιέχουν αποδείξεις για σχέσεις μεταξύ όρων, που θα χρησιμοποιηθούν σε τέτοια δίκτυα, δημιουργήθηκε το BELTracker εργαλείο. Το εργαλείο αυτό μπορεί να χρησιμοποιηθεί από ερευνητές στον χώρο της βιοϊατρικής που χρειάζονται ένα εργαλείο αναγνώρισης και ταξινόμησης των σχέσεων μεταξύ όρων με δομημένο και αυτόματο τρόπο. Η λειτουργία του BELTracker εργαλείου αφορά την ανακάλυψη και ταξινόμηση προτάσεων αποδείξεων από περιλήψεις άρθρων της PubMed Central. Το εργαλείο αποτελείται από τρία βασικά υποσυστήματα, των οποίων η λειτουργία είναι η μετάφραση μίας δεδομένης BEL δήλωσης σε ερώτημα ανάκτησης πληροφορίας, η ανάκτηση της σχετικής βιβλιογραφίας από την PubMed Central και η εύρεση των προτάσεων αποδείξεων σε αυτήν την βιβλιογραφία και η ταξινόμησή τους. Το BELTracker χρησιμοποιεί έναν συνδυασμό πολλαπλών προσεγγίσεων, βασισμένων στην παραδοσιακή ανάκτηση πληροφορίας, στην μηχανική μάθηση και σε ευρετικές μεθόδους για την εξαγωγή των επιθυμητών προτάσεων και την κατασκευή μίας νέας βάσης δεδομένων. Το BELTracker είναι διαθέσιμο ως RESTful API για δημόσια χρήση. Αυτό σημαίνει ότι μπορεί οποιοσδήποτε ερευνητής ή χρήστης να το ενσωματώσει ως υποσύστημα μέσα στην εφαρμογή που αναπτύσσει, ώστε να εκμεταλλευτεί τις λειτουργίες του. Ένα τρίτο εργαλείο που εκμεταλλεύεται τα κείμενα που παρέχει η PubMed Central είναι το MeshSim [31]. Όλα τα έγγραφα της Medline και συνεπώς και της PubMed Central έχουν ως δείκτη μία επικεφαλίδα 19

20 ιατρικού θέματος αντικειμένου που ονομάζεται Medical Subject Heading (MESH). Η λειτουργία του εργαλείου MeshSim είναι να υπολογίσει τη σημασιολογική ομοιότητα μεταξύ αυτών των επικεφαλίδων που αντιστοιχούν σε κάθε έγγραφο, αλλά και των περιεχομένων των ίδιων των εγγράφων, ώστε τα αποτελέσματα να μπορούν να χρησιμοποιηθούν από εφαρμογές στο βιοϊατρικό πεδίο. Την λειτουργία που χρειάζεται την επιτυγχάνει υπολογίζοντας εννέα διαφορετικές μετρικές ομοιότητας ανάμεσα στις επικεφαλίδες, με τεχνικές που βασίζονται σε οντολογίες, για τον υπολογισμό αυτών των μετρικών σημασιολογικής ομοιότητας. Υποστηρίζει επίσης την αναζήτηση και ανάκτηση των επικεφαλίδων για τα άρθρα που ενδιαφέρουν τον χρήστη, ώστε να χρησιμοποιηθούν με την σειρά τους όπου είναι απαραίτητο σε εφαρμογές και συστήματα επεξεργασίας τέτοιου υλικού. Το MeshSim είναι δημόσια διαθέσιμο ως σύστημα, και αφού αποκτηθεί, μπορεί να ενσωματωθεί σε εφαρμογές και συστήματα για έργα ανάλυσης βιοϊατρικού κειμένου. Ένα ακόμη εργαλείο που αξίζει να αναφερθεί είναι το SPARQL Graph [18]. Ο σημασιολογικός Ιστός έχει εδραιωθεί ως πλαίσιο χρήσης και διαμοιρασμού δεδομένων μεταξύ εφαρμογών και βάσεων δεδομένων. Το SPARQL Graph αποτελεί μία διαδικτυακή πλατφόρμα που σκοπός της είναι να υποστηρίξει την αναζήτηση πληροφορίας σε βιολογικού περιεχομένου βάσεις δεδομένων Σημασιολογικού Ιστού, με γραφικό όμως τρόπο. Προσφέρει ένα διαδραστικό τρόπο δημιουργίας ερωτημάτων που μετατρέπει οπτικά γραφήματα σε ερωτήματα κατάλληλης μορφής και τα εκτελεί, επιστρέφοντας τα αποτελέσματα. Το εργαλείο αυτό εκτελεί τις αναζητήσεις σε πολλές δημόσια διαθέσιμες βάσεις δεδομένων, εκ των οποίων μία είναι και η PubMed Central. Παρέχει επίσης προκαθορισμένα πρότυπα ερωτημάτων για απάντηση βιολογικών ερωτήσεων, ώστε να διευκολυνθούν οι χρήστες του. Οι χρήστες μπορούν εύκολα να δημιουργήσουν και να αποθηκεύσουν τα γραφήματα ερωτημάτων που επιθυμούν, τα οποία μπορούν να διαμοιραστούν και με άλλους χρήστες. Ο σκοπός του SPARQL Graph είναι να προσφέρει ένα νέο γραφικό τρόπο δημιουργίας ερωτημάτων σε βιοϊατρικές βάσεις δεδομένων, που θα διευκολύνει τους χρήστες και ερευνητές, καθώς αφαιρείται η απαίτηση γνώσης ειδικών γλωσσών επερωτήσεων και των δομών των βάσεων 20

21 δεδομένων με τις οποίες θα αλληλεπιδράσουν. Αποτελεί έτσι έναν γραφικό και εύχρηστο τρόπο εκτέλεσης ερωτημάτων με τον ίδιο πάντα τρόπο, ανεξαρτήτως της δομής κάθε βάσης δεδομένων που το σύστημα υποστηρίζει και διαχειρίζεται. Το εργαλείο αυτό είναι διαθέσιμο μέσω της ιστοσελίδας του [32], όπου οι χρήστες μπορούν να δημιουργήσουν τα ερωτήματα που θέλουν να θέσουν στις βάσεις, σχεδιάζοντας τα αντίστοιχα γραφήματα μέσω ενός drag-and-drop builder. Τα αποτελέσματα που επιστρέφει μπορούν να αποθηκευτούν από τον χρήστη σε κατάλληλες μορφές εγγράφων και περιλαμβάνουν λίστες με τα βιοϊατρικά βιολογικά στοιχεία που απαντούν στα ερωτήματα που τέθηκαν. Ένα άλλο διαδικτυακό εργαλείο το οποίο βασίζεται στην βάση δεδομένων PubMed Central, είναι το PubChem [33], στο οποίο οι χρήστες έχουν πρόσβαση μέσω της ιστοσελίδας του. Ο σκοπός του εργαλείου αυτού, είναι να βοηθήσει τους χρήστες στην αναζήτηση πληροφορίας, και συγκεκριμένα στο πεδίο των βιολογικών δράσεων και αλληλεπιδράσεων μικρών μορίων. Για τον λόγο αυτό παρέχει ένα γρήγορο εργαλείο αναζήτησης βάση ομοιότητας χημικής δομής. Οι χρήστες μπορούν να καταχωρήσουν σχετικές ή να αναζητήσουν νέες πληροφορίες σε κατηγορίες όπως 'ουσίες', 'χημικές ενώσεις' και 'βιοδοκιμασίες' (μετρήσεις της συγκέντρωσης ή της δραστικότητας μίας ουσίας από την επίδραση της σε ζωντανά κύτταρα ή ιστούς). Τα αποτελέσματα που επιστρέφονται στους χρήστες περιέχουν εγγραφές σχετικά με πληροφορίες ουσιών, χημικά ονόματα, σχόλια και συνδέσμους προς τις ιστοσελίδες από όπου προέρχονται τα δεδομένα. Το PubChem είναι ένα χρήσιμο εργαλείο για όποιον ενδιαφέρεται να βρει το σύνολο της πληροφορίας που έχει καταχωρήσει ένας συγκεκριμένος ερευνητής ή ψάχνει για πληροφορία σχετική με συγκεκριμένες ουσίες, όπως για παράδειγμα, πληροφορία σχετικά με την χημική δομή εκχυλισμάτων φυσικών προϊόντων. Για να υποβάλλει ερωτήματα ένας χρήστης πρέπει να παρέχει ερώτημα κατάλληλης μορφής, όπως σχέδιο της μορφής της χημικής δομής για την οποία ενδιαφέρεται να αναζητήσει πληροφορίες. Το σχέδιο αυτό μπορεί να γίνει με την βοήθεια του υποσυστήματος PubChem Sketcher [34]. Τα ερωτήματα μπορεί να είναι και σε άλλου είδους μορφές όπως περιγράφονται στα συνοδευτικά έγγραφα του εργαλείου [35]. Τα επιστρεφόμενα αποτελέσματα μπορούν να αποθηκευτούν από τους χρήστες στην επιθυμητή από τις προσφερόμενες μορφές. 21

22 Ένα άλλο είδος εργασιών τα οποία θα παρουσιαστούν σε αυτό το κεφάλαιο, είναι εργασίες που χρησιμοποιούν βιοϊατρικές οντολογίες. Οι βιοϊατρικές οντολογίες, είναι εργαλεία που έχουν ως σκοπό να βοηθήσουν στην διαχείριση και ανάλυση δεδομένων, που προκύπτουν από πολύπλοκα πειράματα και ερευνητικό έργο, στον τομέα της βιοπληροφορικής και βιοϊατρικής. Πολλές εργασίες και εργαλεία βασίζονται στην χρήση βιοϊατρικών οντολογιών, σε πολλές από τις οποίες προσφέρει πρόσβαση τo National Center for Biomedical Ontology NCBO [36]. Πιο συγκεκριμένα, στην παρούσα εργασία, αλλά και στις εργασίες που παρουσιάζονται, χρησιμοποιήθηκαν δύο βιοϊατρικές οντολογίες, που ονομάζονται GENIAterm40.owl και GENIAevent.owl [41]. Οι οντολογίες αυτές σχεδιάστηκαν και δημιουργήθηκαν για να υποστηρίξουν εργασίες σχολιασμού βιοϊατρικού κειμένου, αποθήκευση των αποτελεσμάτων και εξαγωγή χρήσιμων συμπερασμάτων. Η πρώτη απο αυτές, η οντολογία GENIAterm40.owl, ορίζει κλάσεις που αποσκοπούν στην αποθήκευση βιοϊατρικών όρων, ενώ η δεύτερη, GENIAevent.owl ορίζει και ταξινομεί σχέσεις μεταξύ βιοϊατρικών όρων. Με άλλα λόγια, η GENIAevent.owl αφορά κλάσεις για την αποθήκευση σχέσεων ή αλλιώς κατηγορημάτων, ενώ η GENIAterm40.owl αφορά τους όρους ή αλλιώς τα υποκείμενα και αντικείμενα των κατηγορημάτων αυτών. Μία από τις εργασίες που στηρίζονται στην χρήση των GENIA οντολογιών, είναι το GENIA Project [37]. Το GENIA Project δημιουργήθηκε από τον καθηγητή Junichi Tjujii και περιλαμβάνει μία σειρά από πηγές και εργαλεία, που έχουν ως σκοπό τους την υποστήριξη των ερευνητών στην διαδικασία εξόρυξης πληροφορίας στο πεδίο της βιοϊατρικής. Για το σκοπό αυτό δημιουργήθηκε και το GENIA Corpus [38], που αποτελεί μία συλλογή βιοϊατρικής βιβλιογραφίας, επεξεργασμένης και προσαυξημένης με κατάλληλο σχολιασμό, ώστε να υποστηρίξει την ανάπτυξη και αξιολόγηση συστημάτων εξόρυξης πληροφορίας και ανάλυσης κειμένου, στον τομέα της βιοϊατρικής. Η συλλογή αυτή αποτελείται από 1999 περιλήψεις άρθρων από την Medline που προέκυψαν από την εφαρμογή ενός PubMed ερωτήματος. Μετά από κατάλληλη επεξεργασία, τα άρθρα είναι σχολιασμένα με πρόσθετη γλωσσολογική και σημασιολογική πληροφορία. Η αποθήκευση των αποτελεσμάτων γίνεται στις GENIA οντολογίες. Το GENIA Project περιλαμβάνει επίσης ένα σύνολο αυτόματων 22

23 εργαλείων για σχολιασμό κειμένων, που έχουν εκπαιδευτεί και αξιολογηθεί βάση του GENIA Corpus. Ένα από αυτά είναι το XconSuite [39], το οποίο έχει ως σκοπό του την υποστήριξη ανάπτυξης και σχολιασμού κατάλληλων συλλογών κειμένων, στον τομέα της βιοϊατρικής. Οι συλλογές αυτές θα χρησιμοποιούνται από ερευνητές σε διάφορες εφαρμογές. Αποτελείται από ένα σύνολο XML-based εργαλείων, τα οποία αλληλεπιδρούν για να υποστηρίξουν τις απαραίτητες λειτουργίες για την ανάπτυξη και τον σχολιασμό των κειμένων που θα εισαχθούν στις συλλογές. Οι λειτουργίες που παρέχονται μέσω αυτών των εργαλείων είναι η παροχή ενός περιβάλλοντος επεξεργασίας, το οποίο ο χρήστης μπορεί να προσαρμόσει στις ανάγκες του μέσω ενός εργαλείου συγγραφής XML κειμένων. Παρέχεται επίσης μία διεπαφή, που δέχεται εκφράσεις για την αναζήτηση κειμένων με συγκεκριμένα πρότυπα. Τα αποτελέσματα εμφανίζονται σε Key Word in Context μορφή [41], όπου κάθε γραμμή αποτελείται από τις λέξεις που αναπαριστούν βασικές έννοιες κάθε πρότασης του κειμένου των αποτελεσμάτων. Οι λέξεις αυτές είναι ταξινομημένες αλφαβητικά και εμφανίζονται στην ίδια γραμμή και οι λέξεις γύρω από αυτήν. Μία επιπλέον λειτουργία που παρέχει το XconSuite είναι η δυνατότητα που δίνει στους χρήστες να επιλέξουν από τις παρεχόμενες οντολογίες την κλάση ή το σύνολο των κλάσεων στο οποίο θα επικεντρωθεί η έρευνα ή η αξιολόγηση. Το XconSuite μπορεί να χρησιμοποιηθεί ως βοηθητικό εργαλείο από τους χρήστες μετά την εγκατάστασή του [39] ως υποσύστημα των εφαρμογών τους. Σε όλα τα πεδία έρευνας υπάρχουν και εργασίες που χρησιμοποιούν αλγορίθμους Συσταδοποίησης, με σκοπό την βελτίωση των διαδικασιών αναζήτησης και ανάκτησης πληροφορίας. 'Ετσι, και στον τομέα της βιοϊατρικής υπάρχουν αρκετές εργασίες στις οποίες γίνεται μελέτη και χρήση τέτοιων αλγορίθμων. Ο πιο συνηθισμένος αλγόριθμος που χρησιμοποιείται για την συσταδοποίηση κειμένων είναι ο αλγόριθμος k-means [42] που χρησιμοποιείται και στην παρούσα εργασία. Ο k-means αλγόριθμος είναι ένας από τους απλούστερους αλγορίθμους μάθησης που μπορεί να λύσει το πρόβλημα της συσταδοποίησης, της ομαδοποίησης δηλαδή σχετικών κειμένων, των οποίων η ομοιότητα υπολογίζεται βάση των λέξεων που περιέχονται σε αυτά. 23

24 Η διαδικασία που ακολουθείται ένας απλός και εύκολος τρόπος ταξινόμησης ενός δεδομένου συνόλου κειμένων μέσω ενός ορισμένου αριθμού συστάδων (δηλαδή ομάδων στις οποίες ανατίθενται τα κείμενα). Η βασική ιδέα είναι ο καθορισμός k κέντρων, ένα για κάθε συστάδα. Το κάθε κέντρο είναι στην ουσία κάποιο κείμενο από αυτά του αρχικού συνόλου. Το επόμενο βήμα είναι η συσχέτιση κάθε επόμενου κειμένου του αρχικού συνόλου με το πλησιέστερο κέντρο. Μία από τις εργασίες που βασίζονται στον αλγόριθμο αυτό για την συσταδοποίηση κειμένων είναι η Categorization of biomedical articles with spectral clustering [2]. Στην εργασία αυτή μελετώνται και υλοποιούνται αλγόριθμοι συσταδοποίησης με χρήση μεθόδων spectral graph theory, NMF clustering και k-means αλγορίθμου, οι οποίοι εφαρμόζονται σε περιλήψεις κειμένων που προέρχονται από την PubMed Central. Αφού εφαρμοστούν οι αλγόριθμοι, συγκρίνονται τα αποτελέσματα των αποδόσεών τους. Μία άλλη εργασία είναι η Combining Latent Semantic Indexing and Clustering to Retrieve and Cluster Biomedical Information: A 2-step Approach [3]. Στην εργασία αυτή ερευνάται και προτείνεται μία μέθοδο ανάκτησης κειμένων και ομαδοποίησης τους σε συστάδες χρησιμοποιώντας έναν 2-βημάτων k-means αλγόριθμο που αποτελεί μία παραλλαγή του απλού k-means αλγορίθμου. 24

25 3 Το Σύστημα BioSite Στα πλαίσια αυτής της διπλωματικής απαιτείται ο σχεδιασμός και η υλοποίηση ενός συστήματος επεξεργασίας και ανάλυσης βιοϊατρικής βιβλιογραφίας με στόχο την υποστήριξη ερωτημάτων. Το σύστημα BioSite που δημιουργήθηκε για αυτόν τον λόγο, έχει ως σκοπό του την υποστήριξη γρήγορων και αποτελεσματικών αναζητήσεων στο πεδίο της βιοϊατρικής, καθώς και την παρουσίαση των αποτελεσμάτων με εύχρηστο και φιλικό τρόπο ως προς τους χρήστες, με το επιπρόσθετο γνώρισμα, ότι θα παρέχεται άμεσα το πλήρες κείμενο των διαθέσιμων άρθρων στον χρήστη, κάτι που δεν παρέχεται από την PubMed Central και τις άλλες ηλεκτρονικές βιβλιοθήκες που αναφέρθηκαν. Το σύστημα θα συλλέγει κείμενα από την PubMed Central, των οποίων το κείμενο είναι δημόσια διαθέσιμο και το περιεχόμενό τους αφορά την βιοϊατρική. Έτσι θα προσφέρεται η δυνατότητα στους χρήστες να αναζητήσουν άρθρα δίνοντας όρους που τους ενδιαφέρουν και θα λαμβάνουν ως αποτελέσματα όλα τα άρθρα σχετικά με αυτούς τους όρους. Η διαφορά του συστήματος από την PubMed Central που παρέχει και αυτή δυνατότητες αναζήτησης, είναι ότι στο σύστημα BioSite θα απλοποιηθεί η διαδικασία αναζήτησης έτσι ώστε να απαιτείται λιγότερη προσπάθεια και χρόνος από την πλευρά του χρήστη ώστε να βρει τα επιθυμητά αποτελέσματα. Στην PubMed Central παρέχεται ένα σύνολο ειδικών αναζητήσεων βάση διάφορων πεδίων, αλλά απαιτείται από τον χρήστη να ψάξει ποια από τις ειδικές φόρμες πρέπει να χρησιμοποιήσει και στην συνέχεια απαιτείται το ερώτημα που θα θέσει να είναι ειδικής και συγκεκριμένης μορφής. Αυτή η διαδικασία πρόκειται να απλοποιηθεί στο σύστημα BioSite ώστε να προσφέρονται όλες οι δυνατότητες στον χρήστη, αλλά μέσω απλοποιημένων και πιο εύχρηστων λειτουργιών. Ένας ακόμα σκοπός του συστήματος είναι να περιέχονται στα αποτελέσματα μόνο τα επιθυμητά κείμενα, τα οποία αποτελούνται 25

26 από άρθρα, σχετικά με την αναζήτηση του χρήστη, των οποίων το πλήρες κείμενο είναι άμεσα διαθέσιμο σε αυτόν, χωρίς την απαίτηση περαιτέρω ενεργειών ή έρευνας. Στις περισσότερες ηλεκτρονικές βιβλιοθήκες ο χρήστης έχει πρόσβαση μόνο στις βασικές πληροφορίες και σε μια περίληψη του άρθρου και του παρέχεται απλώς πληροφορία για το πως θα έχει πρόσβαση στο πλήρες κείμενο του άρθρου. Αντιθέτως στο σύστημα BioSite, τα επιστρεφόμενα αποτελέσματα αποτελούν ένα υποσύνολο των άρθρων που υπάρχουν, το οποίο αποτελείται από κείμενα άμεσα προσβάσιμων στον χρήστη, ώστε να μπορεί να διαβάσει το πλήρες κείμενο τους στην ιστοσελίδα του συστήματος. Με αυτόν τον τρόπο μειώνεται ο χρόνος αναζήτησης των άρθρων και ο χρήστης απαλλάσσεται από την διαδικασία ανίχνευσης τους σε ένα μεγάλο πλήθος από αυτά. Ένας επιπλέον σκοπός του συστήματος, είναι η παρουσίαση των αποτελεσμάτων με τρόπο τέτοιο, ώστε να είναι εύκολος ο εντοπισμός της πληροφορίας που επιθυμεί ο χρήστης, αλλά και να διευκολύνεται η περαιτέρω αναζήτηση άρθρων βάση συγκεκριμένων πεδίων. Αφού παρουσιαστούν τα επιστρεφόμενα ως αποτελέσματα άρθρα στον χρήστη, αυτός μπορεί εύκολα να εντοπίσει πληροφορίες όπως η ημερομηνία έκδοσης του άρθρου, ο τίτλος, οι συγγραφείς κ.ά.. Μία επιπλέον λειτουργία που δεν παρέχεται από την PubMed Central και θα χρησιμεύσει στην διευκόλυνση του χρήστη, είναι ότι στο σύστημα BioSite, τα πεδία στα οποία έχει νόημα να παρέχεται αυτή η λειτουργία, θα αποτελούν υπερσυνδέσμους που εάν τους επιλέξει ο χρήστης, θα πραγματοποιούν νέα αναζήτηση βάση της τιμής του συγκεκριμένου πεδίου. Δεν θα απαιτείται από τον χρήστη επαναεισαγωγή των τιμών των πεδίων αυτών ή κάποια άλλη διαδικασία, αλλά αυτόματα θα παρέχονται στον χρήστη τα αποτελέσματα των νέων αυτών αναζητήσεων. Έτσι ο στόχος από την υλοποίηση του συστήματος BioSite είναι η παροχή άρθρων βιοϊατρικού περιεχομένου που θα είναι σχετικά με ερωτήματα χρηστών, στα οποία αυτοί θα έχουν άμεση πρόσβαση. Επιπλέον πρέπει να τους παρέχεται και ένα σύνολο σχεικών άρθρων ώστε να μπορούν να αναζητήσουν περισσότερες πληροφορίες σχετικά με το θέμα που τους απασχολεί. Τα αποτελέσματα πρέπει να είναι σε μορφή τέτοια ώστε να διευκολύνονται οι χρήστες από άποψη χρόνου και προσπάθειας που θα καταβάλλουν, για να βρουν συγκεκριμένη πληροφορία που αναζητούν. 26

27 Για να επιτευχθούν αυτοί οι στόχοι, ορίζονται κάποιες λειτουργίες οι οποίες πρέπει να υλοποιηθούν, ώστε να ικανοποιούνται οι σκοποί του συστήματος. Η πρώτη λειτουργία αφορά την αναζήτηση κειμένων στην PubMed Central, τα οποία θα είναι δωρεάν διαθέσιμα και θα προσφέρεται το πλήρες κείμενο τους. Τα κείμενα θα ανακτώνται και θα αποθηκεύονται σε τοπική βάση δεδομένων. Η δεύτερη λειτουργία αφορά την επεξεργασία τους με εργαλεία επεξεργασίας φυσικής γλώσσας και σχολιασμού τους με κατάλληλο τρόπο, ο οποίος θα βοηθήσει στην περαιτέρω επεξεργασία τους. Ο σχολιασμός θα αφορά βασικές βιοϊατρικές έννοιες, καθώς και πληροφορίες σχετικά με την σύνταξη των προτάσεων και πληροφορίες σχετικά με τις λέξεις μέσα σε αυτές. Η πληροφορία που θα προκύψει, θα χρησιμοποιηθεί για την εξαγωγή των βασικών βιοϊατρικών όρων ως εννοιολογικές οντότητες και των σχέσεων μεταξύ αυτών. Η τρίτη βασική λειτουργία αφορά την δημιουργία της οντολογίας που θα χρησιμεύσει ως βάση αποθήκευσης της επιθυμητής πληροφορίας. Η οντολογία αυτή, θα αποτελεί μία επέκταση με όλα τα νέα απαραίτητα στοιχεία που χρειάζεται το συγκεκριμένο σύστημα, της οντολογίας που θα προκύψει από την συνένωση κάποιων υπαρχόντων οντολογιών στο τομέα της βιοϊατρικής. Η τέταρτη λειτουργία που απαιτείται στο σύστημα είναι η δημιουργία αλγορίθμου που θα κάνει επεξεργασία των σχολιασμένων κειμένων και θα εισάγει την πληροφορία που θα προκύπτει μετά την επεξεργασία, στην οντολογία βάση του συστήματος. Η πέμπτη λειτουργία του συστήματος αφορά την δημιουργία ιστοσελίδας που θα αποτελεί το μέσο με το οποίο θα αλληλεπιδρά ένας χρήστης. Οι λειτουργίες που θα παρέχονται περιλαμβάνουν την υποστήριξη υποβολής διάφορων μορφών ερωτημάτων στην βάση, ανάλογα με τις ανάγκες του και την επιθυμητή μορφή αποτελεσμάτων και στη συνέχεια εμφάνιση των αποτελεσμάτων αυτών. Η έκτη λειτουργία που απαιτείται είναι η δημιουργία αλγορίθμου που θα επεξεργάζεται το ερώτημα του χρήστη ώστε να το μετατρέπει σε μορφή ερωτήματος που μπορεί να εφαρμοστεί στην οντολογία προκειμένου να παραχθούν τα αποτελέσματα. Η έβδομη βασική λειτουργία είναι η δημιουργία αλγορίθμου που θα υπολογίζει σε ποια από τις προκαθορισμένες κλάσεις της οντολογίας ανήκει κάθε κείμενο, ώστε να δημιουργηθεί η κατηγοριοποίηση των κειμένων. 27

28 Τέλος, η όγδοη βασική λειτουργία είναι η δημιουργία αλγορίθμου που θα χρησιμοποιεί την συγκεκριμένης δομή της οντολογίας και θα εκτελεί συσταδοποίηση των κειμένων σε αυτόματα παραγόμενες συστάδες. Ο αλγόριθμος συσταδοποίησης θα εστιάζει στο περιεχόμενο των κειμένων από βιοϊατρικής άποψης. Αυτές οι λειτουργίες και στοιχεία μπορούν να ομαδοποιηθούν και να υλοποιηθούν σε ξεχωριστά μέρη υποσυστήματα του συστήματος, ώστε να είναι αυτόνομα εργαλεία, αναλόγως με την λειτουργικότητά τους. Για παράδειγμα η αναζήτηση και η ανάκτηση των κειμένων μπορεί να γίνει από ένα εργαλείο προσκομμιστή εγγράφων το οποίο θα λειτουργεί ανεξάρτητα από τα άλλα υποσυστήματα και θα έχει την δική του λειτουργικότητα, έτσι ώστε να μπορεί να χρησιμοποιηθεί από το ολοκληρωμένο σύστημα που σχεδιάζουμε, αλλά να μπορεί να χρησιμοποιηθεί και από άλλες εφαρμογές, εφόσον καλύπτει τις απαιτήσεις τους. Για αυτόν τον λόγο θα δημιουργηθούν έξι βασικά υποσυστήματα τα οποία θα έχουν το καθένα την δική του λειτουργικότητα και θα υλοποιούν κάποιες από τις παραπάνω λειτουργίες, έτσι ώστε το σύνολο των λειτουργιών να καλύπτεται πλήρως. Τα ονόματα των υποσυστήματων αυτών παρουσιάζονται στον Πίνακα 1 που ακολουθεί και στην συνέχεια παρουσιάζονται αναλυτικά τα υποσυστήματα. CreateBase Crawler GateProcess OntologyProcess ClusteringProcess BioSiteInterface Πίνακας 1: Υποσυστήματα του συστήματος BioSite 28

29 Το τελικό σύστημα BioSite θα αποτελείται από την διαδοχική εκτέλεση αυτών των υποσυστημάτων. Η σειρά με την οποία θα εκτελεστεί κάθε υποσύστημα έχει μεγάλη σημασία, αφού κάθε υποσύστημα εκτός του πρώτου, χρειάζεται, για να λειτουργήσει σωστά, ως είσοδό του την πληροφορία που παράγει το προηγούμενο υποσύστημα. Η σειρά με την οποία πρέπει να εκτελεστούν τα υποσυστήματα και από που λαμβάνει πληροφορία ως είσοδο το κάθε ένα, παρουσιάζεται στο Διάγραμμα 1. Διάγραμμα 1: Διαδοχική εκτέλεση των υποσυστημάτων του BioSite 29

30 3.1 CreateBase Το CreateBase είναι το πρώτο υποσύστημα και είναι υπεύθυνο για την δημιουργία της οντολογίας βάσης του συστήματος. Η οντολογία που δημιουργείται είναι το αποτελέσμα ενοποίησης δύο άλλων οντολογιών και σε αυτό το αποτέλεσμα προστίθενται κάποιες επιπλέον κλάσεις και ιδιότητες που είναι απαραίτητες για την λειτουργία της οντολογίας και ως βάση του τελικού συστήματος. Μία οντολογία είναι ένα είδος ελεγχόμενου λεξιλογίου σαφώς καθορισμένων όρων και σχέσεων μεταξύ αυτών των όρων, ώστε να μπορούν να ερμηνευτούν τόσο από ανθρώπους όσο και από υπολογιστές. Στον χώρο της βιοϊατρικής, είναι απαραίτητη η ύπαρξη οντολογιών που θα επικεντρώνονται σε όρους και έννοιες βιοϊατρικής σημασίας. Μία βιοϊατρική οντολογία αναπτύσσεται για να εκφράσει βιοϊατρικά δεδομένα με τρόπο που να μπορούν να διαβαστούν και να επεξεργαστούν από τους υπολογιστές, αλλά και να μπορούν να διαμοιραστούν εύκολα μεταξύ των πηγών και των εφαρμογών που τα χρειάζονται. Είναι ένας κατάλληλος τρόπος αποθήκευσης και εύκολης διαχείρισης των συνεχώς αυξανόμενων δεδομένων, σε αυτή τη νέα εποχή της πληροφορίας. Έτσι έχουν δημιουργηθεί πολλές βιοϊατρικές οντολογίες, οι οποίες χρησιμοποιούνται για την αποθήκευση και την επεξεργασία πληροφορίας και εννοιών στους τομείς της βιολογίας, της βιοπληροφορικής και άλλων τέτοιων πεδίων. Τέτοιες οντολογίες, που δημιουργήθηκαν για την υποστήριξη εργασιών και συστημάτων στον τομέα της βιοϊατρικής, μπορούν να βρεθούν εύκολα στον ιστότοπο National Center for Biomedical Ontology NCBO [36], που αποτελεί ένα μέσο πρόσβασης στις περισσότερες βιοϊατρικές οντολογίες καθώς και στις πληροφορίες σχετικά με τα ερευνητικά έργα που τις χρησιμοποιούν. Παραδείγματα τέτοιων βιοϊατρικών οντολογιών είναι και οι δύο οντολογίες, που ονομάζονται GENIAterm40.owl και GENIAevent.owl [41]. Οι οντολογίες αυτές σχεδιάστηκαν και δημιουργήθηκαν για να υποστηρίξουν εργασίες σχολιασμού βιοϊατρικού κειμένου και ειδικότερα το GENIA Project [37]. Η οντολογία GENIAterm40.owl, ορίζει κλάσεις που αποσκοπούν στην αποθήκευση βιοϊατρικών όρων, δηλαδή κλάσεις αποθήκευσης όρων που αποτελούν υποκείμενα ή αντικείμενα σε προτάσεις. 30

31 Η GENIAevent.owl ορίζει και ταξινομεί σχέσεις μεταξύ βιοϊατρικών όρων. Με άλλα λόγια, η GENIAevent.owl περιέχει κλάσεις για την αποθήκευση σχέσεων δηλαδή κατηγορημάτων που εκφράζονται συνήθως από τα ρήματα μιας πρότασης. Τα δεδομένα που αποθηκεύονται σε αυτές τις οντολογίες προέρχονται από προτάσεις κειμένων βιοϊατρικού χαρακτήρα και χρησιμοποιούνται για την υποστήριξη ερευνητικών έργων, σχολιασμών κειμένων κ.ά., σε αυτόν τον τομέα. Για την υποστήριξη του συστήματος BioSite δημιουργήθηκε μία νέα βιοϊατρική οντολογία, η οποία έχει ως σκοπό της να αποτελέσει το μέσο αποθήκευσης των δεδομένων που θα προκύψουν από την επεξεργασία των βιοϊατρικών κειμένων, αλλά επίσης να αποτελέσει και την βάση δεδομένων που απαιτείται για την υποστήριξη και λειτουργία της ιστοσελίδας του συστήματος BioSite. Η νέα αυτή οντολογία είναι σχεδιασμένη και υλοποιημένη έτσι, ώστε να μπορεί να συγκρατήσει πληροφορία και δεδομένα βιοϊατρικού περιεχομένου που προκύπτουν μετά την επεξεργασία των άρθρων, πληροφορία σχετικά με την ομοιότητα και τη σχετικότητα των άρθρων, πληροφορία για την κατηγοριοποίηση και συσταδοποίησή τους, αλλά και πληροφορία που αφορά τους χρήστες, για την υποστήριξη και παροχή υπηρεσιών σε αυτούς. Πιο συγκεκριμένα, στην οντολογία αυτή αποθηκεύονται στις αντίστοιχες κλάσεις, τα ονόματα των άρθρων και των δημοσιεύσεων που χρησιμοποιούνται από το σύστημα. Αποθηκεύονται επίσης οι όροι των κειμένων, αλλά και όροι, οι οποίοι μετά την επεξεργασία των κειμένων αυτών, αναγνωρίστηκαν ως βιοϊατρικοί όροι. Με τη βοήθεια των κατάλληλων ιδιοτήτων αποθηκεύεται πληροφορία σχετικά με τις σχέσεις μεταξύ των άρθρων και των όρων, των όρων μεταξύ τους, αλλά και πληροφορία σχετικά με την ομοιότητα των άρθρων. Ακόμη, αποθηκεύεται πληροφορία σχετικά με τις προτάσεις των κειμένων και το ποιους όρους αυτές περιλαμβάνουν και επίσης πληροφορία σχετικά με τα άρθρα όπως ο τίτλος τους, οι συγγραφείς κ.ά.. Τέλος, αποθηκεύεται πληροφορία σχετικά με τους χρήστες της ιστοσελίδας του συστήματος. Για τον λόγο αυτό, δημιουργείται η νέα οντολογία, που προκύπτει από την συνένωση των δύο οντολογιών GENIAterm40.owl (Διάγραμμα 2) και GENIAevent.owl (Διάγραμμα 3) σε μία οντολογία που περιέχει όλες τις κλάσεις που περιέχουν και αυτές, διατηρώντας την ιεραρχία σε περίπτωση κοινών κλάσεων. Η νέα οντολογία στην συνέχεια προσαυξάνεται με νέες κλάσεις και ιδιότητες για την υποστήριξη των απαιτούμενων λειτουργιών. 31

32 Στο υποσύστημα CreateBase γίνεται η δημιουργία της οντολογίας αυτής. Οι δύο αρχικές οντολογίες συγχωνεύονται σε μία, με την νέα οντολογία να περιέχει όλες τις κλάσεις των άλλων δύο οντολογιών με την ίδια ιεραρχία. Στην περίπτωση κοινών κλάσεων, αυτές αντιπροσωπεύονται από μία, που διατηρεί τις σχέσεις τους με τις κλάσεις και των δύο αρχικών οντολογιών. Κάποιες από τις κλάσεις αυτές δεν χρησιμοποιούνται, με την έννοια ότι δεν λαμβάνουν κανένα στιγμιότυπο, ούτε μετά από την χρήση κάποιου εργαλείου εξαγωγής συμπερασμάτων. Συμπεριλήφθηκαν όμως για λόγους πληρότητας, όπως επίσης και για την περίπτωση μελλοντικών αλλαγών ή βελτιώσεων του συστήματος BioSite. Στις προκύπτουσες κλάσεις, αποθηκεύονται ως στιγμιότυπα όλοι οι όροι των άρθρων, που μετά από την επεξεργασία τους από τα κατάλληλα εργαλεία, αποφασίζεται ότι έχουν σημασία από βιοϊατρικής άποψης και χρησιμεύουν στην εξαγωγή γνώσης και πληροφορίας από το σύστημα. Ένας βιοϊατρικός όρος, όπως ονομάζεται ένας τέτοιος όρος, μπορεί να αποτελείται από μία ή περισσότερες λέξεις. Υπάρχει επίσης η προσθήκη κάποιων νέων κλάσεων, οι οποίες είναι απαραίτητες για την σωστή λειτουργία του συστήματος και την χρήση της οντολογίας ως βάση με την οποία θα αλληλεπιδρά και η ιστοσελίδα του. Παράδειγμα αποτελεί η κλάση που χρησιμεύει για την αποθήκευση πληροφορίας σχετικά με τις συστάδες που χρησιμοποιούνται από τον αλγόριθμο συσταδοποίησης, αλλά και η κλάση στην οποία αποθηκεύεται πληροφορία σχετικά με τους χρήστες της ιστοσελίδας του συστήματος. Όλες οι κλάσεις που προστίθενται στην οντολογία που προκύπτει μετά την συνένωση των GENIAterm40.owl και GENIAevent.owl και οδηγούν στην τελική μορφή της νέας οντολογίας, περιγράφονται στον Πίνακα 2, ενώ στον Πίνακα 3 περιγράφονται οι απαραίτητες ιδιότητες που χρησιμεύουν για την αποθήκευση της απαιτούμενης πληροφορίας. Η νέα οντολογία ονομάζεται BioSiteOntology.owl (Διάγραμμα 4). Εδώ αποθηκεύεται όλη η πληροφορία που εξάγεται από την επεξεργασία των άρθρων, κάτι που γίνεται με την βοήθεια των επόμενων υποσυστημάτων. Αποθηκεύεται επίσης και η πληροφορία που προκύπτει από την εφαρμογή του αλγορίθμου συσταδοποίησης και από την χρήση της ιστοσελίδας του συστήματος από τους χρήστες. Ακολουθούν οι εικόνες που δείχνουν τις ιεραρχίες όλων των οντολογιών και οι πίνακες που αναφέρουν τις νέες κλάσεις και ιδιότητες και περιέχουν μια σύντομη περιγραφή τους. 32

33 33

34 34

35 35

36 Διάγραμμα 4: Ιεραρχία των κλάσεων της BioSiteOntology.owl οντολογίας 36

37 Κλάση Περιγραφή Article Χρησιμοποιείται για την αποθήκευση των στιγμιοτύπων που αντιπροσωπεύουν τα ids των άρθρων που επεξεργαζόμαστε, για την εξαγωγή πληροφορίας Sentence Χρησιμοποιείται για την αποθήκευση των στιγμιοτύπων που αντιπροσωπεύουν τα ids των προτάσεων που υπάρχουν στα άρθρα, και τα οποία χρειαζόμαστε για την εξαγωγή πιο ειδικών σχέσεων ανάμεσα στους όρους των άρθρων Lemma Χρησιμοποιείται για την αποθήκευση των στιγμιοτύπων που αντιπροσωπεύουν τους όρους των κειμένων Cluster Χρησιμοποιείται για την αποθήκευση των στιγμιοτύπων που αντιπροσωπεύουν τις ομάδες clusters που θα προκύψουν από την εφαρμογή του αλγόριθμου clustering και θα συνδέουν τα σχετικά μεταξύ τους άρθρα User Χρησιμοποιείται για την αποθήκευση των στιγμιοτύπων που αντιπροσωπεύουν τους χρήστες της οντολογίας, όταν αυτοί κάνουν εγγραφή στο σύστημα Πίνακας 2: Κλάσεις που προστέθηκαν στην BioSiteOntology.owl 37

38 Ιδιότητες Τύπου Object Περιγραφή incluster Σύνδεση άρθρων και των συστάδων στις οποίες θα ανήκουν ως ομάδες σχετικών άρθρων. Δείχνει σε ποιες συστάδες ανήκει ένα άρθρο clusterhas Σύνδεση συστάδων και άρθρων. Δείχνει ποια άρθρα περιέχει κάποια συστάδα articlehasword Σύνδεση άρθρων και όρων. Δείχνει ποιους όρους περιέχει κάποιο άρθρο wordisfromarticle Σύνδεση όρων και άρθρων στα οποία ανήκουν. Δείχνει σε ποια άρθρα εμφανίζεται κάποιος όρος sentencehasword Σύνδεση προτάσεων των άρθρων και όρων. Δείχνει ποιους όρους περιέχει κάποια πρόταση ενός άρθρου insentence Σύνδεση όρων και προτάσεων των άρθρων στις οποίες αυτοί ανήκουν. Δείχνει σε ποιες προτάσεις εμφανίζεται κάποιος όρος hasreadarticle Αποθήκευση πληροφορίας σχετικά με τα άρθρα που έχει διαβάσει ένας χρήστης, με σκοπό να χρησιμοποιηθεί στις λειτουργίες της ιστοσελίδας για τους εγγεγραμμένους χρήστες Πίνακας 3: Ιδιότητες τύπου Object που προστέθηκαν στην BioSiteOntology.owl 38

39 Ιδιότητες Τύπου Datatype Περιγραφή hasauthor Αποθήκευση των συγγραφέων ενός άρθρου haspubyear Αποθήκευση της ημερομηνίας έκδοσης ενός άρθρου hastitle Αποθήκευση του τίτλου ενός άρθρου hastag Αποθήκευση της τιμής που επέστρεψε ο GENIA tagger σχετικά με τον σχολιασμό ενός όρου bioterm Αποθήκευση του ονόματος ενός βιοϊατρικού όρου με σκοπό την γρηγορότερη και ευκολότερη χρήση αυτού του όρου όπου χρειάζεται password Αποθήκευση του password ενός χρήστη που επιθυμεί να κάνει εγγραφή στην ιστοσελίδα του συστήματος Αποθήκευση του ενός χρήστη που επιθυμεί να κάνει εγγραφή στην ιστοσελίδα του συστήματος Πίνακας 4: Ιδιότητες τύπου Datatype που προστέθηκαν στην BioSiteOntology.owl 39

40 3.2 Crawler Ο Crawler είναι το δεύτερο στη σειρά υποσύστημα. Η βασική λειτουργία του αφορά τόσο την συλλογή άρθρων κειμένων από την online βάση PubMed Central, όσο και μία αρχική επεξεργασία τους. Όσον αφορά τη συλλογή των κειμένων, υπάρχει ένας έλεγχος σχετικά με ποια από όλα τα άρθρα θα επιλεγούν για αποθήκευση, όχι βάση του περιεχομένου τους και του τομέα της βιοϊατρικής στον οποίο ανήκουν, αλλά βάση του τύπου του άρθρου και του λόγου δημιουργίας του. Όσον αφορά την επεξεργασία, αφορά μία πρώτη επιλογή των μερών των άρθρων που θα είναι χρήσιμα για το σύστημα. Αναλυτικότερα οι λειτουργίες του υποσυστήματος είναι αρχικά ο έλεγχος εάν υπάρχει κατάλληλο μέρος αποθήκευσης των άρθρων που πρόκειται να προσκομμιστούν. Εάν δεν υπάρχει, δημιουργείται ο χώρος, ο οποίος θα χρησιμεύσει για την αποθήκευση των άρθρων που θα επιλεχθούν, για την αποθήκευση της οντολογίας και των άλλων εργαλείων που χρειάζεται το σύστημα BioSite και τέλος για την αποθήκευση των απαραίτητων ενδιάμεσων αποτελεσμάτων (μετά την επεξεργασία των κειμένων για παράδειγμα). Αφού δημιουργηθεί ο χώρος αυτός, το υποσύστημα αρχίζει την ανάκτηση των άρθρων και δημοσιεύσεων από την PubMed Central. Αφού οριστούν οι επιθυμητές παράμετροι, όπως για παράδειγμα το πόσα άρθρα θέλουμε να επιστρέφονται σε κάθε εκτέλεση, το υποσύστημα ανακτά ώστε να αποθηκεύσει στην τοπική βάση το κείμενο και τις πληροφορίες κάθε άρθρου. Το κάθε άρθρο που ανακτάται, ανήκει στην κατηγορία άρθρων των οποίων το πλήρες κείμενό τους είναι διαθέσιμο δημόσια δωρεάν. Στην συνέχεια ελέγχεται για κάποια αρχικά χαρακτηριστικά και συνθήκες οι οποίες πρέπει να ισχύουν. Ο έλεγχος αυτός, αφορά αρχικά το είδος του άρθρου και το εάν ανήκει σε κάποιο από τα επιτρεπτά είδη. Αυτό γίνεται με την βοήθεια των ετικετών που παρέχονται από την PubMed Central Tagging [45]. Αυτές οι ετικέτες ορίζουν το είδος των άρθρων βάση του περιεχομένου και του σκοπού για τον οποίο δημιουργήθηκε. Τα επιτρεπτά είδη, δηλαδή τα είδη των οποίων η επεξεργασία έχει λογικό νόημα και σημασία για τους σκοπούς του συστήματος BioSite, περιγράφονται στον Πίνακα 5. 40

41 Ετικέτα Περιγραφή Abstract Περιλήψεις άρθρων Research-article Άρθρα ερευνητικού σκοπού και περιεχομένου Oration Παρουσιάσεις ομιλιών από ερευνητικά συνέδρια Brief-report Σύντομες αναφορές ερευνητικών έργων Case-report Αναφορές ερευνητικών έργων Addendum Προσθήκες νέων ερευνητικών αποτελεσμάτων σε παλαιότερα ερευνητικά έργα News Παρουσιάσεις νέων ευρημάτων Πίνακας 5: Επιτρεπτά είδη άρθρων - δημοσιεύσεων Τα μη επιτρεπτά είδη αφορούν για παράδειγμα κριτικές βιβλίων, δημοσιεύσεων και έργων, διορθώσεις άλλων άρθρων, πρακτικά συζητήσεων ερευνητών κ.ά. Εάν το άρθρο ικανοποιεί τις προδιαγραφές, τότε αποθηκεύεται στην τοπική βάση ένα αντίγραφο του πλήρους κειμένου του, από το οποίο θα εξαχθούν οι επιθυμητές πληροφορίες. 41

42 Οι λειτουργίες του υποσυστήματος, εκτός από τον πρώτο έλεγχο και ανάκτηση των κειμένων, περιλαμβάνουν και κάποιες ακόμη. Αρχικά, σε κάθε εκτέλεση του υποσυστήματος υπάρχει έλεγχος σχετικά με το ποια άρθρα έχουν ήδη ανακτηθεί, ώστε να αποφύγουμε την επεξεργασία ήδη ανεκτημένων και επεξεργασμένων άρθρων. Στην συνέχεια, αφού ανακτηθούν τα άρθρα και το πλήρες περιεχόμενό τους αποθηκευτεί στη τοπική βάση, υπάρχει μία πρώτη ανάλυση τους και αποθήκευση κάποιων πληροφοριών στην οντολογία BioSiteOntology.owl του συστήματος. Οι πληροφορίες αυτές αφορούν τον τίτλο, τους συγγραφείς και την ημερομηνία έκδοσης και εισάγονται ως τιμές στις αντίστοιχες ιδιότητες κάθε άρθρου στην οντολογία, για το οποίο αποθηκεύεται ταυτόχρονα και ένα μοναδικό αναγνωριστικό, για γρήγορη πρόσβαση σε αυτό. Για να επιτύχουμε γρήγορη και εύκολη επεξεργασία των άρθρων στα επόμενα υποσυστήματα, το παρόν υποσύστημα εκτελεί μία ακόμη λειτουργία. Από κάθε άρθρο, επιλέγεται μόνο το καθαρό κείμενο σώμα του και αποθηκεύεται σε ξεχωριστό αρχείο. Έτσι δεν περιλαμβάνεται πληροφορία όπως βιβλιογραφία, ή εξωτερικοί σύνδεσμοι ή άλλα μεταδεδομένα (τα οποία όμως υπάρχουν στη τοπική βάση σε άλλα αρχεία). Με αυτόν τον τρόπο, κάποια από τα επόμενα υποσυστήματα μειώνουν τον χρόνο επεξεργασίας και ανάλυσης των κειμένων, αφού δεν χρειάζεται να ασχοληθούν και να διατρέξουν μη χρήσιμη για τους σκοπούς τους, πληροφορία. Έτσι, το υποσύστημα σε κάθε εκτέλεση δημιουργεί έναν νέο αριθμό από έγγραφα, που αφορούν μόνο επιτρεπτά είδη άρθρων και περιέχουν μόνο απλό κείμενο προς επεξεργασία. Τα κείμενα αυτά αποθηκεύονται ώστε να είναι προσβάσιμα από τα υπόλοιπα υποσυστήματα που θα τα χρησιμοποιήσουν για επεξεργασία. Οι απαραίτητες πληροφορίες όπως συγγραφείς κ.ά. αποθηκεύονται στην οντολογία για μετέπειτα χρήση από την ιστοσελίδα του συστήματος. Το παρόν υποσύστημα υλοποιήθηκε με τέτοιον τρόπο ώστε η λειτουργία του να μπορεί να αλλάξει εύκολα ανάλογα με τις εκάστοτε ανάγκες αυτού που το χρησιμοποιεί. Έτσι, ενώ δημιουργήθηκε για να καλύπτει τις ανάγκες του συστήματος Biosite, είναι πλήρως παραμετροποιημένο έτσι ώστε να μπορεί να προσαρμοστεί ανάλογα η λειτουργία του. Οι παράμετροι αυτοί περιλαμβάνουν τον αριθμό των επιθυμητών άρθρων, τον έλεγχο ή μη του τύπου αυτών των άρθρων, την επιλογή άλλων 42

43 ή και όλων των υπαρχόντων τύπων που θα αποδέχεται, αλλά και την μορφή αποθήκευσης των άρθρων. Υπάρχει επίσης η επιλογή των πεδίων που θα ανακτηθούν από κάθε άρθρο, όπως για παράδειγμα μόνο η περίληψη ή η βιβλιογραφία, αλλά και η επιλογή ολόκληρου του άρθρου με όλες τις πληροφορίες και τα μεταδεδομένα που περιέχει. Αυτό σημαίνει ότι το υποσύστημα μπορεί να χρησιμοποιηθεί και για την απόκτηση όλων των δημόσια δωρεάν άρθρων που παρέχει η PubMed Central και την αποθήκευσή τους, χωρίς αυτά να έχουν υποστεί καμία αλλαγή στο περιεχόμενό τους (δεδομένα και μεταδεδομένα) και χωρίς έλεγχο του τύπου τους. Άρα σε περίπτωση που κάποιος το επιθυμεί, μπορεί να χρησιμοποιήσει το υποσύστημα ως αυτόνομο εργαλείο, το οποίο θα επιστρέφει τους επιθυμητούς τύπους άρθρων και θα αποθηκεύει σε τοπική βάση τον επιθυμητό αριθμό από άρθρα, σε επιθυμητή μορφή. 43

44 3.3 GateProcess Το GateProcess είναι το τρίτο υποσύστημα του συστήματος BioSite. Ο σκοπός αυτού του υποσυστήματος είναι να επεξεργαστεί τα κείμενα των άρθρων που ανακτήθηκαν από το προηγούμενο υποσύστημα και να παρέχει κατάλληλο σχολιασμό του περιεχομένου τους, των προτάσεων και των όρων τους. Ο σχολιασμός αφορά παροχή πληροφοριών σχετικά με την συντακτική και λεξικολογική ανάλυση των κειμένων, αλλά και πληροφορίες όσον αφορά την εμφάνιση όρων και εννοιών που έχουν σχέση με την βιοϊατρική και αποτελούν έτσι το ουσιαστικό αντικείμενο της ανάλυσης και επεξεργασίας που γίνεται. Έτσι με την εκτέλεση αυτού του εργαλείου, προστίθεται στο κείμενο κάθε άρθρου, πληροφορία που περιγράφει τις βασικές έννοιες του κειμένου, το ποιοι όροι είναι σημαντικοί από βιοϊατρική άποψη, ποιοι όροι αφορούν οντότητες της βιοϊατρικής και σε ποιο συγκεκριμένο πεδίο αναφέρονται ή ανήκουν. Για να υλοποιηθεί ο σχολιασμός των κειμένων και η εύρεση των σημαντικών όρων από βιοϊατρικής άποψης, ώστε η πληροφορία αυτή να μπορεί να χρησιμοποιηθεί για τους σκοπούς του συστήματος BioSite, απαιτείται η χρήση κάποιων εργαλείων. Η λειτουργία του παρόντος υποσυστήματος αφορά την εκτέλεση και κατάλληλη χρήση αυτών των εργαλείων, καθώς και τον χειρισμό των αποτελεσμάτων τους με μετατροπή τους σε κατάλληλη μορφή, ώστε να μπορούν να χρησιμοποιηθούν από τα επόμενα υποσυστήματα. Έτσι, στο παρόν υποσύστημα υλοποιείται η κατάλληλη διασύνδεση με το GATE API για να επιτραπεί η απαραίτητη χρήση του GENIA tagger, μέσα από το Genia application. Το Genia application είναι ένα εργαλείο που δημιουργήθηκε μέσω του εργαλείου GATE, ειδικά για χρήση από το BioSite σύστημα. Η λειτουργία του αφορά την επεξεργασία κειμένων με χρήση του GENIA tagger και άλλων απαραίτητων εργαλείων. Το Genia application μπορεί να ενσωματωθεί εύκολα σε εφαρμογές ανάλυσης βιοϊατρικών κειμένων και να χρησιμοποιηθεί σε συνδυασμό με το GATE Embedded, το οποίο αποτελεί ένα API για το GATE που μπορεί 44

45 να χρησιμοποιηθεί από εφαρμογές JAVA. Η δομή του Genia application φαίνεται στον Πίνακα 6. Το Genia Application είναι υπεύθυνο για την διασύνδεση των επιμέρους εργαλείων από τα οποία αποτελείται, την διαδοχική εκτέλεσή τους, την σωστή ρύθμιση των παραμέτρων εισόδου όπως το είδος κειμένου που θα δέχεται για επεξεργασία και το είδος των σχολιασμών. Επίσης περιέχει μέσα του όλα τα απαραίτητα αρχεία και εργαλεία που απαιτούνται για την εκτέλεσή του, έτσι ώστε να είναι πλήρως μεταφέρσιμο και διαχειρίσιμο όχι μόνο από το σύστημα BioSite, αλλά και οποιαδήποτε άλλη εφαρμογή χρειάζεται την χρήση του για επεξεργασία και σχολιασμό κειμένων σε βιοϊατρικό επίπεδο. Επιμέρους εργαλεία Περιγραφή Document Reset PR Προετοιμασία ενός εγγράφου για την επερχόμενη επεξεργασία του. Gate Unicode Tokeniser Διαχωρισμός του κειμένου των εγγράφων στις λέξεις από τις οποίες αποτελείται. ANNIE Sentence Splitter Διαχωρισμός του κειμένου των εγγράφων στις προτάσεις από τις οποίες αποτελείται. GENIATagger- NoTokenization Το βασικό στοιχείο του Genia application για τον σχολιασμό, με βιοϊατρικού περιεχομένου και σημασίας ετικέτες, των όρων του κειμένου των εγγράφων. Πίνακας 6: Δομή του Genia Application 45

46 Με τη χρήση των παραπάνω εργαλείων, γίνεται η επεξεργασία του κειμένου των άρθρων που επέστρεψε ο προσκομμιστής εγγράφων του προηγούμενου υποσυστήματος, με σκοπό τον κατάλληλο σχολιασμό τους. Έτσι, το GateProcess υποσύστημα εκτελεί αρχικά την διασύνδεση με τα απαραίτητα εργαλεία που αναλύθηκαν παραπάνω. Στην συνέχεια αναζητά τα άρθρα που υπάρχουν στην βάση δεδομένων αλλά δεν έχουν ήδη υποστεί την απαραίτητη επεξεργασία. Αφού τα ανακαλύψει, τα επεξεργάζεται μέσω των κατάλληλων εργαλείων και δημιουργεί νέα αρχεία, τα οποία περιέχουν τα κείμενα των άρθρων εμπλουτισμένα με την νέα πληροφορία που παρέχει ο σχολιασμός τους. Άρα μετά την εκτέλεση του GateProcess υποσυστήματος, έχουν προστεθεί στην βάση δεδομένων οι σχολιασμένες εκδόσεις των άρθρων, οι οποίες θα χρησιμοποιηθούν ως είσοδος για το επόμενο υποσύστημα. 46

47 3.4 OntologyProcess Το OntologyProcess είναι το τέταρτο υποσύστημα. Είναι υπεύθυνο για την επεξεργασία των σχολιασμένων κειμένων των άρθρων, την εξαγωγή πληροφορίας μέσω αυτής της επεξεργασίας και την εισαγωγή των αποτελεσμάτων στην οντολογία του συστήματος. Η πληροφορία που θα εισαχθεί μετά από κατάλληλη τροποποίηση στην οντολογία, θα χρησιμοποιηθεί από την ιστοσελίδα του συστήματος για την παρουσίαση των αποτελεσμάτων και την υποστήριξη ερωτημάτων από τους χρήστες. Ο σκοπός αυτού του υποσυστήματος λοιπόν, είναι να βρεθούν και να αναγνωριστούν οι έννοιες και όροι που έχουν σημασία σε βιοϊατρικό επίπεδο μέσω της ανάλυσης και της χρήσης των σχολιασμών που δημιούργησε το προηγούμενο υποσύστημα, για τα κείμενα κάθε άρθρου. Στη συνέχεια, αφού βρεθούν αυτές οι έννοιες, πρέπει να κατασκευαστεί και η απαραίτητη πληροφορία που τις περιγράφει και να μετατραπεί σε κατάλληλη μορφή ώστε να είναι δυνατή η εισαγωγή της στην οντολογία του συστήματος. Για κάθε κείμενο άρθρου, η πληροφορία που θα εισαχθεί στην οντολογία μετά την ανάλυση των σχολιασμών, είναι πληροφορία σχετικά με τους βασικούς όρους που περιέχει κάθε κείμενο, τους όρους που περιέχει και αποτελούν βιοϊατρικές έννοιες και τις προτάσεις από τις οποίες αποτελείται το κείμενο. Αφορά επίσης το ποιοι όροι, βιοϊατρικοί και μη, ανήκουν σε κάθε κείμενο και σε κάθε πρόταση, ώστε να είναι εύκολη η εξαγωγή συμπερασμάτων σχετικά με τις σχέσεις μεταξύ όρων και άρα και μεταξύ κειμένων, στα επόμενα υποσυστήματα. Επιπλέον, για κάθε βιοϊατρικό όρο, δηλαδή όρο που αντιστοιχεί σε βιοϊατρική έννοια, καθορίζεται και η κλάση στην οποία θα εισαχθεί βάση της έννοιας και του πεδίου που αντιπροσωπεύει. Έτσι, είναι δυνατός και ο χαρακτηρισμός ενός κειμένου, αναλόγως των κλάσεων στις οποίες ανήκουν οι βιοϊατρικοί όροι που περιέχει. Επίσης, η πληροφορία σχετικά με το σε ποια κλάση ανήκει κάθε βιοϊατρικός όρος, θα χρησιμεύσει και στην διαδικασία της συσταδοποίησης, η οποία θα εκμεταλλεύεται την πρόσθετη πληροφορία, προς όφελος της απόδοσης του αλγορίθμου. 47

48 Η λειτουργία αυτού του υποσυστήματος, περιλαμβάνει την ανάκτηση των σχολιασμένων εκδόσεων των κειμένων των άρθρων από την τοπική βάση και τον έλεγχο ώστε να μην γίνει ξανά επεξεργασία των ήδη επεξεργασμένων. Στην συνέχεια με τη βοήθεια των σχολιασμών, αναγνωρίζονται οι προτάσεις κάθε κειμένου. Κάθε πρόταση αναλύεται ώστε να βρεθούν οι βιοϊατρικοί όροι που αυτή περιέχει, αλλά και οι βασικοί όροι που περιέχονται σε αυτήν και παρόλο που δεν αντιστοιχούν σε βιοϊατρικές έννοιες, είναι χρήσιμοι για την αναζήτηση άρθρων. Για κάθε βιοϊατρικό όρο, ελέγχεται με ποιους άλλους όρους συνυπάρχει (στην ίδια πρόταση). Αφού η ανάλυση ολοκληρωθεί, εισάγεται στην οντολογία η αντίστοιχη πληροφορία που προκύπτει. Έτσι εισάγονται στις κατάλληλες κλάσεις οι βιοϊατρικοί όροι και μέσω των ιδιοτήτων μεταξύ των κλάσεων, οι πληροφορίες σχετικά με τις σχέσεις συνύπαρξής τους, σε επίπεδο πρότασης ή άρθρου. Επίσης εισάγεται η πληροφορία σχετικά με το ποιες προτάσεις περιέχει ένα κείμενο άρθρου και ποιοι βασικοί όροι εμφανίζονται σε αυτές και στο ίδιο το κείμενο. Έτσι μετά την εκτέλεση του υποσυστήματος, για κάθε άρθρο η οντολογία περιέχει ένα αντικείμενο της κλάσης Article που αντιπροσωπεύει το άρθρο, αντικείμενα της κλάσης Lemma που αντιπροσωπεύουν τους βασικούς όρους του άρθρου, αντικείμενα της κλάσης Sentence που αντιπροσωπεύουν μοναδικά κάθε πρόταση του άρθρου, αντικείμενα στις κατάλληλες κάθε φορά κλάσεις, που αντιπροσωπεύουν τους βιοϊατρικούς όρους του άρθρου. Επίσης περιέχεται, με την βοήθεια των ιδιοτήτων articlehasword και wordisfromarticle, πληροφορία σχετικά με το άρθρο στο οποίο ανήκουν όλοι οι βιοϊατρικοί και βασικοί όροι και τέλος, με την βοήθεια των ιδιοτήτων sentencehasword και insentence, πληροφορία σχετικά με το ποιοι όροι συνυπάρχουν, σε πρώτο επίπεδο στην ίδια πρόταση ενός άρθρου και συνεπώς σε δεύτερο επίπεδο στο ίδιο άρθρο. Όλη η πληροφορία που περιέχει η οντολογία μετά την εκτέλεση του OntologyProcess υποσυστήματος, χρησιμοποιείται από αλγορίθμους στα επόμενα υποσυστήματα, ώστε να γίνει η συσταδοποίηση των άρθρων αλλά και η εύρεση συγκεκριμένης πληροφορίας, ώστε να είναι δυνατή η απάντηση διαφόρων τύπων ερωτημάτων από τους χρήστες του συστήματος. Αξίζει να αναφερθεί, ότι κατά την διάρκεια υλοποίησης του συγκεκριμένου υποσυστήματος, υπήρξε η δοκιμή διαφόρων εργαλείων εξαγωγής σχέσεων μεταξύ όρων. Κάποια από αυτά τα εργαλεία είναι 48

49 τα εξής: Open Language Learning for Information Extracting (Ollie)[59] Open Information Extraction (Open IE) [60] StanfordNLP[61] Multipax[62] Τα εργαλεία αυτά είναι εργαλεία εξαγωγής σχέσεων. Δηλαδή, δέχονται προτάσεις και εξάγουν πληροφορία σχετικά με τις σχέσεις που βρέθηκαν μεταξύ των όρων στις προτάσεις αυτές. Η εφαρμογή τους όμως από το σύστημα οδήγησε σε σημαντικές καθυστερήσεις εκτέλεσης και τα επιστρεφόμενα αποτελέσματα δεν είχαν την αναμενόμενη χρησιμότητα στην παρούσα εργασία, ώστε να δικαιολογούν την χρήση τους. Για παράδειγμα το εργαλείο Multipax, όταν εφαρμοζόταν στις προτάσεις με πολλούς βιοϊατρικούς όρους, αποτύγχανε να αναγνωρίσει τα ουσιαστικά που τους αποτελούσαν και τα ρήματα τα οποία τους συνέδεαν. Τα προβλήματα αυτά δεν αντικατοπτρίζουν την αξία αυτών των εργαλείων, αλλά την αδυναμία τους να εφαρμοστούν με αποδεκτά αποτελέσματα τόσο από άποψη χρόνου όσο και από άποψη ανοχής λαθών, σε ένα τόσο συγκεκριμένο πεδίο όσο αυτό της Βιοϊατρικής. 49

50 3.5 ClusteringProcess Η Εξόρυξη Δεδομένων (Data Mining) αφορά στην ανακάλυψη γνώσης από βάσεις δεδομένων και στις τεχνικές για την εξαγωγή και ανάλυση της, από σύνολα δεδομένων. Υπάρχουν πολλές μέθοδοι που χρησιμοποιούνται, όπως η Κατηγοριοποίηση (Classification), Συσταδοποίηση (Clustering), Κανόνες Συσχέτισης (Assosiation Rules), Παλινδρόμηση (Regression) και Περιληπτική Παρουσίαση Πληροφορίας. Μία από αυτές τις μεθόδους είναι η συσταδοποίηση. Αποτελεί μία μέθοδο με την οποία ένα σύνολο δεδομένων αντιστοιχίζεται σε ένα σύνολο συστάδων (clusters). Οι συστάδες, μπορεί να έχουν προκαθορισμένο αριθμό ή να δημιουργούνται δυναμικά, με τον αριθμό τους να υπολογίζεται με αυτόματο τρόπο. Τα δεδομένα στη συνέχεια, ανατίθενται στις συστάδες βάση της ομοιότητας που έχουν μεταξύ τους. Ο πιο διαδεδομένος αλγόριθμος συσταδοποίησης, είναι ο k-means [42]. Ο k-means αλγόριθμος λύνει το πρόβλημα της συσταδοποίησης, ομαδοποιώντας τα σχετικά κείμενα βάση της ομοιότητάς τους που υπολογίζεται από τις λέξεις που περιέχονται σε αυτά. Η διαδικασία που ακολουθεί είναι ένας απλός τρόπος ταξινόμησης των κειμένων σε έναν αριθμό συστάδων. Καθορίζονται k κέντρα, ένα για κάθε συστάδα, όπου το κάθε κέντρο είναι κάποιο κείμενο από αυτά για τα οποία γίνεται η ομαδοποίηση. Στην συνέχεια τα υπόλοιπα κείμενα τοποθετούνται στην συστάδα, με της οποίας το κέντρο είναι πλησιέστερα, βάση μίας μετρικής. Στο υποσύστημα ClusteringProcess, υλοποιείται η μέθοδος της συσταδοποίησης με την δημιουργία και εφαρμογή ενός αλγορίθμου, που βασίζεται στον k-means αλγόριθμο. Ο αλγόριθμος αυτός που δημιουργήθηκε είναι ειδικά σχεδιασμένος, ώστε να ακολουθεί την λογική του k-means αλγορίθμου, αλλά και να εκμεταλλεύεται την πληροφορία που υπάρχει στην οντολογία του συστήματος, ώστε να επιτυγχάνει καλύτερα αποτελέσματα. Σκοπός του αλγορίθμου είναι να εκμεταλλευτεί τις κλάσεις στις οποίες αποθηκεύονται οι βιοϊατρικοί όροι, έτσι ώστε η συσταδοποίηση που 50

51 εκτελείται να συμπεριλαμβάνει και να βασίζεται στην πρόσθετη πληροφορία, με όφελος την καλύτερη ομαδοποίηση των άρθρων. Αυτό συμβαίνει καθώς η μετρική ομοιότητας δεν βασίζεται σε όλες τις λέξεις των κειμένων, όπως γίνεται μέχρι τώρα, αλλά βασίζεται ειδικότερα μόνο στους βιοϊατρικούς όρους των κειμένων αυτών. Έτσι, τα άρθρα που υπολογίζεται ότι ανήκουν στην ίδια συστάδα και άρα αναμένεται να έχουν σχετικό περιεχόμενο, στην πραγματικότητα έχουν σχετικό περιεχόμενο με πιο αυστηρά κριτήρια, καθώς θα δίνεται έμφαση στις βιοϊατρικές έννοιες τις οποίες περιέχουν και περιγράφουν. Η λειτουργία του αλγορίθμου αυτού είναι αρχικά ο υπολογισμός των ειδών των συστάδων που θα χρησιμοποιηθούν, αλλά και ο αριθμός τους. Έπειτα, για κάθε άρθρο, υπολογίζεται σε ποιες συστάδες ανήκει, ακολουθώντας την λογική του k-means αλγορίθμου, εστιάζοντας όμως στους βιοϊατρικούς όρους αντί όλων των όρων των κειμένων. Αυτό σημαίνει ότι η ομοιότητα των άρθρων υπολογίζεται από την ευκλείδια απόσταση των κειμένων τους, για τον υπολογισμό της οποίας χρησιμοποιούνται μόνο οι βιοϊατρικοί όροι που έχουν αναγνωριστεί από τα προηγούμενα υποσυστήματα. Η αντίστοιχη πληροφορία σχετικά με τις συστάδες και τα κείμενα από τα οποία αποτελούνται, αποθηκεύεται στη συνέχεια στην οντολογία. Χάρη στην εκτέλεση των προηγούμενων υποσυστημάτων, η οντολογία που δημιουργήθηκε έχει τέτοια δομή και περιλαμβάνει τέτοια πληροφορία, ώστε η διαδικασία συσταδοποίησης να γίνει με τέτοιον τρόπο ώστε να αποδίδει περισσότερη πληροφορία για κάθε άρθρο. Αυτό σημαίνει ότι χάρη στην δομή της οντολογίας, είναι δυνατόν να δημιουργηθούν περισσότερα του ενός, είδη συστάδων, ανάλογα με τις τέσσερις βασικές κλάσεις στις οποίες ανήκει κάθε άρθρο. Παρόλο που μετά την εφαρμογή εργαλείων εξαγωγής συμπερασμάτων, τα άρθρα που έχουν υποστεί επεξεργασία καταλήγουν να ανήκουν σε περισσότερες από μία κλάσεις, υπάρχουν τέσσερις βασικές κλάσεις που χρησιμοποιούνται κυρίως από το σύστημα. Αυτές είναι οι Cell, Protein, DNA και RNA κλάσεις της οντολογίας BioSiteOntology.owl. Οι βιοϊατρικοί όροι που εισάγονται στην οντολογία, είναι βέβαιο ότι θα ανήκουν σε μία τουλάχιστον από αυτές τις κλάσεις, λόγω του τρόπου λειτουργίας του εργαλείου σχολιασμών Genia tagger. Χρησιμοποιώντας αυτήν την πληροφορία, δημιουργήθηκαν τέσσερα διαφορετικά είδη συστάδων, ένα για κάθε μία από τις βασικές κλάσεις. Έτσι κάθε άρθρο ανατίθεται σε τέσσερις διαφορετικές συστάδες, εάν περιέχει βιοϊατρικούς 51

52 όρους των κλάσεων στις οποίες αντιστοιχούν οι συστάδες. Για κάθε είδος, υπάρχει ένα σύνολο συστάδων, του οποίου ο αριθμός υπολογίζεται βάση του πλήθους των άρθρων που ανήκουν στην κατηγορία που αντιπροσωπεύει το συγκεκριμένο είδος. Αυτό σημαίνει αν εισαχθούν νέα άρθρα στην βάση, ο αριθμός αυτός πρέπει να επαναϋπολογιστεί. Κάθε άρθρο, μπορεί συνεπώς να ανήκει ταυτόχρονα σε τέσσερις διαφορετικές συστάδες. Για κάθε βασική κλάση, υπολογίζεται ένα πλήθος σχετικών άρθρων που τοποθετούνται στην ίδια συστάδα. Άρα, ανάλογα με την περίπτωση που μας ενδιαφέρει, το πλήθος των σχετικών άρθρων με ένα συγκεκριμένο άρθρο είναι διαφορετικό ανάλογα με την κλάση για την οποία ενδιαφερόμαστε. Αυτό προκύπτει από το γεγονός, ότι ένα άρθρο μπορεί να περιλαμβάνει βιοϊατρικούς όρους που ανήκουν σε περισσότερες της μίας βασικής κλάσης. Άρα για παράδειγμα, αν περιέχει βιοϊατρικούς όρους, τέτοιους ώστε να αποφασιστεί ότι ανήκει στην κλάση Protein και DNA, τότε μέσω του αλγορίθμου συσταδοποίησης, θα ανατεθεί σε δύο clusters. Το ένα θα περιλαμβάνει τα σχετικά άρθρα που ανήκουν και εκείνα στην κλάση Protein και το άλλο θα περιλαμβάνει ένα πλήθος άρθρων που ανήκουν στην κλάση DNA και είναι σχετικά με το άρθρο σε αυτόν τον τομέα. Τα δύο αυτά σύνολα, μπορεί να περιέχουν εντελώς διαφορετικά άρθρα, αλλά μπορεί να περιέχουν και κοινά στοιχεία. Μετά την εκτέλεση αυτού του υποσυστήματος, η οντολογία έχει εμπλουτιστεί με νέα πληροφορία που ομαδοποιεί τα άρθρα βάση του περιεχομένου τους ως προς τους βιοϊατρικούς όρους. Άρα η ομοιότητα των κειμένων δεν αφορά το περιεχόμενό τους γενικά, αλλά εστιάζει στο περιεχόμενο σε βιοϊατρικό επίπεδο. Τα διανύσματα που αντιπροσωπεύουν τα άρθρα και πάνω στα οποία υπολογίζεται η απόσταση των άρθρων, είναι κατασκευασμένα ώστε να περιέχουν πληροφορία μόνο για τους βιοϊατρικούς όρους που υπάρχουν στην οντολογία και όχι για όλους τους βασικούς όρους των κειμένων. 52

53 3.6 BioSite Interface Το BioSite Interface είναι το τελευταίο υποσύστημα του συστήματος BioSite. Σε αυτό δημιουργείται η ιστοσελίδα του συστήματος που αποτελεί την διεπαφή χρήστη, έτσι ώστε να μπορούν να υποβληθούν ερωτήματα στην βάση οντολογία του συστήματος, να υπολογιστούν τα αποτελέσματα και να παρουσιαστούν στον χρήστη. Σκοπός της ιστοσελίδας είναι να προσφέρει στον χρήστη ένα εύκολο τρόπο υποβολής ερωτημάτων, που θα τον διευκολύνει στην εύρεση της επιθυμητής πληροφορίας στο πεδίο της βιοϊατρικής. Για τον λόγο αυτό, στην ιστοσελίδα πρέπει να παρέχεται ένας εύχρηστος τρόπος υποβολής ερωτημάτων και αναζήτησης άρθρων, που θα διευκολύνει τον χρήστη και θα τον απαλλάσσει από την απαίτηση παροχής ειδικής μορφής ερωτημάτων αλλά θα του παρέχει όλη την διαθέσιμη πληροφορία με εύκολο και γρήγορο τρόπο. Τα αποτελέσματα θα πρέπει να παρουσιάζονται με τρόπο τέτοιο, ώστε ο εντοπισμός της αναζητούμενης πληροφορίας να γίνεται εύκολα και γρήγορα, χωρίς την απαίτηση περαιτέρω προσπάθειας και έρευνας από την μεριά του χρήστη. Για τον λόγο αυτό η ιστοσελίδα του συστήματος υλοποιεί πολλές λειτουργίες, τόσο για την εύκολη χρήση του συστήματος από τους χρήστες όσο και για τον υπολογισμό των απαντήσεων στα ερωτήματα που αυτοί θα υποβάλλουν, την παρουσίαση των κειμένων αλλά και της πληροφορίας που υπολογίστηκε από τις εκτελέσεις των προηγούμενων υποσυστημάτων. Οι λειτουργίες που παρέχονται στον χρήστη είναι αρχικά η εγγραφή στην ιστοσελίδα, η είσοδος εφόσον είναι ήδη εγγεγραμένος, αλλά και η έξοδος από αυτήν. Στην συνέχεια, παρέχεται η δυνατότητα αναζήτησης άρθρων βάση βιοϊατρικών όρων. Ένας χρήστης μπορεί να δώσει όρους αναζήτησης (query) στο αντίστοιχο πεδίο αναζήτησης. Τα αποτελέσματα που θα επιστραφούν θα είναι άρθρα που περιέχουν αυτούς τους όρους ως βιοϊατρικούς και όχι άρθρα που απλά τυχαίνει να περιέχουν τους όρους χωρίς βιοϊατρική σημασία. 53

54 Παρέχεται επίσης η δυνατότητα γενικής αναζήτησης βάση οποιουδήποτε όρου. Ένας χρήστης μπορεί να εκτελέσει αναζήτηση στα άρθρα δίνοντας όρους αναζήτησης, χωρίς αυτοί να αποτελούν βιοϊατρικούς όρους. Σε αυτήν την περίπτωση, επιστρέφονται άρθρα που τους περιέχουν, είτε αποτελούν όρους βιοϊατρικής σημασίας είτε όχι. Μία ακόμα λειτουργία της ιστοσελίδας είναι η δυνατότητα αναζήτησης άρθρων βάση τίτλου, συγγραφέων και ημερομηνίας άρθρου. Ένας χρήστης μπορεί να πραγματοποιήσει αναζήτηση άρθρων παρέχοντας όρους αναζήτησης σε συγκεκριμένο πεδίο του άρθρου. Έτσι αν ενδιαφέρεται για παράδειγμα για τα άρθρα που έχει γράψει ένας συγκεκριμένος συγγραφέας, μπορεί να πραγματοποιήσει αναζήτηση δίνοντας ως όρο αναζήτησης το όνομα του συγγραφέα. Σε κάθε αναζήτηση που πραγματοποιεί ο χρήστης, επιστρέφονται ως αποτελέσματα τα άρθρα που είναι σχετικά με το ερώτημα που έθεσε. Αυτά εμφανίζονται σε έναν πίνακα μαζί με τις βασικές πληροφορίες του κάθε ενός. Σε αυτό το σημείο παρέχεται στον χρήστη η δυνατότητα να εκτελέσει νέα αναζήτηση βάση της τιμής που έχει κάποιο συγκεκριμένο πεδίο, επιλέγοντας το. Αυτό θα έχει ως αποτέλεσμα να επιστραφεί ένα νέο σύνολο άρθρων που έχουν ως κοινό γνώρισμα, την ίδια τιμή, με αυτήν που είχε το αρχικό άρθρο, στο πεδίο που επέλεξε ο χρήστης. Σε περίπτωση που ο χρήστης υποβάλλει ερώτημα με όρους, γενικούς ή βιοϊατρικούς, αυτοί υποβάλλονται σε επεξεργασία ώστε να αφαιρεθούν οι κοινές λέξεις που μπορεί να περιέχονται όπως σύνδεσμοι, άρθρα κ.ά. Επίσης υλοποιείται επεξεργασία τους, όπου υπολογίζεται η βάση της λέξης από την οποία προέρχεται κάθε όρος, ώστε να μην έχει σημασία ο αριθμός των όρων (ενικός, πληθυντικός) ή η συγκεκριμένη μορφή στην οποία δόθηκαν, αλλά η έννοια της λέξης. Μία επιπλέον λειτουργία που παρέχει η ιστοσελίδα είναι η εμφάνιση των λεπτομερειών των άρθρων. Εάν ο χρήστης επιλέξει ένα άρθρο από το σύνολο των επιστρεφομένων ως αποτέλεσμα της αναζήτησής του, τότε εμφανίζονται οι αναλυτικές πληροφορίες του άρθρου και το πλήρες κείμενο του. Για κάθε άρθρο παρέχεται στον χρήστη η δυνατότητα εμφάνισης του στην ηλεκτρονική βιβλιοθήκη PubMed Central, με την χρήση του αντίστοιχου υπερσυνδέσμου. Μία από τις σημαντικές λειτουργίες της ιστοσελίδας είναι ότι εάν ο χρήστης οδηγήθηκε στις λεπτομέρειες ενός άρθρου μετά από αναζήτηση γενικών ή βιοϊατρικών όρων, τότε εκτός από την εμφάνιση του πλήρους 54

55 κειμένου του άρθρου, εμφανίζονται τα μέρη του κειμένου στα οποία βρέθηκαν οι όροι αναζήτησης, με αυτούς να παρουσιάζονται με ειδική επισήμανση για εύκολο εντοπισμό τους. Τα μέρη του κειμένου που εμφανίζονται, είναι ταξινομημένα έτσι ώστε να εμφανίζονται πρώτα αυτά που περιέχουν, όσο το δυνατόν περισσότερους από τους όρους του ερωτήματος. Επιπλέον, για κάθε άρθρο παρέχεται στον χρήστη η δυνατότητα εμφάνισης ενός συνόλου σχετικών άρθρων, τα οποία έχουν υπολογιστεί μέσω συσταδοποίησης. Η λειτουργία παροχής σχετικών κειμένων, είναι γρήγορη και αποτελεσματική, χωρίς να υπάρχει καθυστέρηση στην εμφάνιση των αποτελεσμάτων, εφόσον οι συστάδες έχουν προϋπολογιστεί. Έτσι εμφανίζονται άμεσα στον χρήστη, χωρίς να απαιτείται χρόνος υπολογισμού των σχετικών κειμένων εκείνη τη στιγμή. Μία επιπλέον λειτουργία του συστήματος είναι η ταξινόμηση των άρθρων σχετικά με την σχετικότητά τους με το ερώτημα του χρήστη και η σελιδοποίηση των αποτελεσμάτων ανά δέκα, με δυνατότητα περιήγησης στα υπόλοιπα με εύκολο τρόπο. Για κάθε λίστα αποτελεσμάτων που επιστρέφεται μετά από κάποια αναζήτηση, τα αποτελέσματα ταξινομούνται, ώστε πρώτα να εμφανίζονται τα άρθρα των οποίων τα κείμενα πληρούν τις προϋποθέσεις πιο ικανοποιητικά. Για παράδειγμα εάν η λίστα αφορά αποτελέσματα που προέκυψαν μετά την αναζήτηση βάση όρων, πρώτα στη λίστα θα τοποθετηθούν τα κείμενα που περιέχουν τους περισσότερους από τους όρους αναζήτησης και με την μεγαλύτερη συχνότητα για κάθε έναν από αυτούς. 55

56 4 Παρουσίαση του συστήματος BioSite Σε αυτό το κεφάλαιο θα παρουσιαστεί η χρήση του ολοκληρωμένου συστήματος BioSite και θα δοθούν εικόνες και αποτελέσματα της λειτουργίας του. Αφού εκτελεστούν οι λειτουργίες των πέντε πρώτων υποσυστημάτων, η οντολογία του συστήματος έχει ενημερωθεί και εμπλουτιστεί με την νέα πληροφορία που αφορά τα άρθρα, τις πληροφορίες σχετικά με αυτά, τις σχέσεις των διάφορων στοιχείων αλλά και την πληροφορία που αφορά τον υπολογισμό των σχετικών όρων μετά την συσταδοποίηση. Αρχικά λοιπόν δίνεται μία σειρά εικόνων όπου παρουσιάζονται τα περιεχόμενα της οντολογίας του συστήματος και στην συνέχεια παρουσιάζεται η ιστοσελίδα του συστήματος και γίνεται μία επίδειξη χρήσης των παρεχόμενων λειτουργιών της. Στις Εικόνες 1 και 2, παρουσιάζονται μέρη από τα περιεχόμενα μερικών αντιπροσωπευτικών κλάσεων της οντολογίας, δηλαδή τα αντικείμενα αυτών των κλάσεων. Στην Εικόνα 3 παρουσιάζονται τα αντικείμενα μίας αντιπροσωπευτικής κλάσης, καθώς και οι ιδιότητες που τα συνδέουν με αντικείμενα άλλων κλάσεων. Στην Εικόνα 4 παρουσιάζεται ένα μέρος των αντικειμένων της κλάσης Cluster, η οποία μετά την εκτέλεση του αλγορίθμου συσταδοποίησης, περιέχει τις συστάδες που δημιουργήθηκαν για κάθε μία από τις βασικές κλάσεις. Στην Εικόνα 5 παρουσιάζονται τα περιεχόμενα μίας συστάδας και ένα μέρος των άρθρων που περιέχει ως αντικείμενα. Στην Εικόνα 6 παρουσιάζονται τα ενημερωμένα περιεχόμενα ενός άρθρου, που μετά την εκτέλεση του αλγορίθμου συσταδοποίησης περιέχουν και πληροφορία σχετικά με τις συστάδες στις οποίες ανήκει το άρθρο. 56

57 Εικόνα 1: Περιεχόμενα της Κλάσης Protein Εικόνα 2: Ιδιότητες ενός άρθρου 57

58 Εικόνα 3: Ιδιότητες ενός βιοϊατρικού όρου Εικόνα 4: Περιεχόμενα της κλάσης Cluster Εικόνα 5: Ιδιότητες μίας συστάδας 58

59 Εικόνα 6: Ιδιότητες ενός άρθρου μετά την εκτέλεση της συσταδοποίησης 59

60 Ακολουθεί μία σειρά εικόνων που δείχνουν τις βασικές βασικές λειτουργίες της ιστοσελίδας BioSite Interface και της λειτουργίας του συστήματος σε κάθε βήμα. Στην Εικόνα 7 παρουσιάζεται η αρχική σελίδα του συστήματος. Από εδώ ο χρήστης μπορεί να εκτελέσει εγγραφή ή είσοδο στο σύστημα. Παρέχονται επίσης σύνδεσμοι προς την φόρμα αναζήτησης βάση συγκεκριμένου πεδίου, προς την σελίδα αναζήτησης βάση βιοϊατρικών όρων και το πεδίο αναζήτησης βάση γενικών όρων. Εικόνα 7: Αρχική σελίδα του συστήματος BioSite Εάν ο χρήστης επιλέξει να κάνει εγγραφή κατευθύνεται στην σελίδα όπου υπάρχει η αντίστοιχη φόρμα συμπλήρωσης των στοιχείων του, όπως φαίνεται στην Εικόνα 8. Εικόνα 8: Σελίδα εγγραφής χρήστη 60

61 Εάν ο χρήστης επιλέξει τον σύνδεσμο για την αναζήτηση βάση πεδίων, εμφανίζονται τα πεδία που μπορεί να επιλέξει, όπως φαίνεται και στην Εικόνα 9. Εικόνα 9: Εμφάνιση πεδίων αναζήτησης Αφού επιλέξει το πεδίο που επιθυμεί όπως για παράδειγμα συγγραφέα, όπως μπορούμε να δούμε και από την Εικόνα 10, κατευθύνεται σε μία σελίδα όπου μπορεί να εισάγει το όνομα του συγγραφέα που επιθυμεί να αναζητήσει άρθρα γραμμένα από αυτόν. Εικόνα 10: Σελίδα εισαγωγής τιμής σε πεδίο αναζήτησης Στη συνέχεια εμφανίζονται τα αποτελέσματα, που περιέχουν άρθρα στα οποία βρέθηκε ως συγγραφέας, αυτός που εισήγαγε ο χρήστης. Όπως φαίνεται και από την Εικόνα 11 των αποτελεσμάτων, εμφανίζεται ο τίτλος των άρθρων, τα ονόματα των συγγραφέων που αποτελούν υπερσυνδέσμους και εάν επιλεχτούν, θα εκτελεστεί μία νέα αναζήτηση στο πεδίο αυτό με 61

62 τιμή την νέα επιλογή του χρήστη. Εμφανίζεται ακόμη η ημερομηνία έκδοσης του άρθρου και ένας υπερσύνδεσμος προς την PubMed Central όπου μπορεί να βρει την εκεί έκδοση του άρθρου. Τέλος για κάθε άρθρο παρέχεται υπερσύνδεσμος προς την σελίδα λεπτομερειών του άρθρου, η οποία περιγράφεται στην συνέχεια. Εικόνα 11: Αναζήτηση βάση ονόματος συγγραφέα Στην εικόνα 12, φαίνεται ο τρόπος εισαγωγής ερωτημάτων με γενικούς όρους. Στο συγκεκριμένο παράδειγμα εισάγεται το ερώτημα cancer in women Εικόνα 12: Αναζήτηση βάση γενικών όρων : ''cancer in women'' 62

63 Στην Εικόνα 13, παρουσιάζεται η σελίδα με τα δέκα πρώτα αποτελέσματα που εμφανίζονται. Εικόνα 13: Αποτελέσματα ερωτήματος γενικών όρων 63

64 Η Εικόνα 14, αποτελεί την σελίδα λεπτομερειών του πρώτου άρθρου από τα επιστρεφόμενα αποτελέσματα. Εκτός από τις βασικές πληροφορίες των άρθρων όπως τίτλος, συγγραφείς, ημερομηνία έκδοσης και τον υπερσύνδεσμο προς την PubMed Central, εμφανίζονται δύο νέα στοιχεία. Το πρώτο από αυτά είναι ένας σύνδεσμος προς την σελίδα όπου παρουσιάζονται τα σχετικά με το παρόν, άρθρα που έχουν υπολογιστεί βάση συσταδοποίησης. Το δεύτερο είναι ότι επειδή η σελίδα λεπτομερειών προέκυψε μετά από ερώτημα του χρήστη βάση όρων, εμφανίζονται τα μέρη των κειμένων που τους περιέχουν με ειδική επισήμανση αυτών των όρων, για εύκολο εντοπισμό τους. Όπως φαίνεται, υπάρχει επισήμανση και των δύο βασικών όρων του ερωτήματος και όχι τον όρων χωρίς ιδιαίτερη σημασία όπως συνδέσμους κτλ. Εάν ο χρήστης επιθυμεί να έχει πρόσβαση στο πλήρες κείμενο του άρθρου, μπορεί να επιλέξει τον διαθέσιμο υπερσύνδεσμο Details. Εικόνα 14: Το πρώτο άρθρο των αποτελεσμάτων του ερωτήματος γενικών όρων 64

65 Στην Εικόνα 15 παρουσιάζεται το δεύτερο αποτέλεσμα της αναζήτησης με τους όρους cancer in women. Επιλέγοντας εμφάνιση του άρθρου, εμφανίζεται το περιεχόμενο της Εικόνας 16. Εκεί εμφανίζονται τα μέρη του κειμένου με επισήμανση του όρου cancer. Παρόλο που δεν υπάρχει η λέξη woman ή women, στο κείμενο, αυτό κατατάχθηκε ως δεύτερο στην σειρά των αποτελεσμάτων, καθώς το περιεχόμενο του αφορά τον καρκίνο του στήθους, όπως μπορεί να διαπιστωθεί από το κείμενο γύρω από την λέξη cancer. Εικόνα 15: Το δεύτερο άρθρο των αποτελεσμάτων του ερωτήματος γενικών όρων Εικόνα 16: Μέρος κειμένου άρθρου με επισήμανση όρων 65

66 Στην Εικόνα 17 παρουσιάζεται η αναζήτηση βάση βιοϊατρικών όρων. Η λέξη που αποτελεί το ερώτημα είναι ο όρος cancer. Στα αποτελέσματα που εμφανίζονται στην Εικόνα 18, εμφανίζονται άρθρα τα οποία περιέχουν τον όρο αυτό με βιοϊατρική έννοια. Δηλαδή το εργαλείο σχολιασμού επέδωσε σε αυτόν τον όρο σχολιασμό βιοϊατρικής έννοιας και αναγνώρισε από τα συμφραζόμενα ότι αποτελεί αναφορά στην ασθένεια και όχι σε κάποια άλλη έννοια με την ίδια ονομασία. Εικόνα 17: Αναζήτηση βάση βιοϊατρικού όρου : ''cancer'' Εικόνα 18: Αποτελέσματα αναζήτησης βάση βιοϊατρικού όρου 66

67 Στην Εικόνα 19, παρουσιάζεται ένα από τα άρθρα που επιστράφηκαν ως απάντηση στο ερώτημα με βιοϊατρικό όρο cancer. Το άρθρο αφορά τον καρκίνο του προστάτη. Επιλέγοντας την επιλογή εμφάνιση, παρουσιάζονται τα μέρη του κειμένου με επισήμανση του βιοϊατρικού όρου αναζήτησης, όπως φαίνεται στην Εικόνα 20. Εικόνα 19: Σελίδα λεπτομερειών άρθρου Εικόνα 20: Μέρος κειμένου άρθρου με επισήμανση όρων 67

68 Εάν ο χρήστης επιθυμεί να έχει πρόσβαση στο πλήρες κείμενο του άρθρου και όχι μόνο στα συγκεκριμένα σημεία με τον βιοϊατρικό όρο, μπορεί να επιλέξει τον υπερσύνδεσμο λεπτομερειών και την επιλογή εμφάνισης του. Στην Εικόνα 21 παρουσιάζεται ένα μέρος του πλήρους κειμένου του συγκεκριμένου άρθρου. Εικόνα 21: Εμφάνιση του πλήρους κειμένου ενός άρθρου Στην Εικόνα 22 παρουσιάζονται τα σχετικά άρθρα με αυτό το οποίο προέκυψε μετά το ερώτημα βάση του βιοϊατρικού όρου cancer. Τα άρθρα αυτά είναι ταξινομημένα βάση του βαθμού ομοιότητας τους με αυτό που υπολογίστηκε από τον αλγόριθμο συσταδοποίησης και αν επιλέξουμε κάποιο από αυτά, εμφανίζεται η σελίδα λεπτομερειών τους. Στην Εικόνα 23 παρουσιάζεται ένα από αυτά, που αποδεικνύει την σωστή λειτουργία του αλγορίθμου καθώς αναφέρεται και αυτό στην ασθένεια του καρκίνου. 68

69 Εικόνα 22: Εμφάνιση σχετικών άρθρων βάση συσταδοποίησης Εικόνα 23: Σελίδα λεπτομερειών σχετικού άρθρου 69