Genome Biology：科学家揭晓通路信息大数据的秘密

通路图

来源：生物谷 2021-03-27 17:26

每年有成千上万的通路图(pathway diagrams)被发表出来，而这些通路图由于是静态图形导致无法进行计算查询和分析。

从25年的通路数据中摘录的通路信息

每年都会发布成千上万条路径图，这些数字是无法通过计算查询和分析获得的静态数字。结合机器学习，光学字符识别和手动策展，美国加州格拉德斯通研究所数据科学与生物技术研究所的Alexander R Pico教授带领团队，确定了1995年至2019年之间发表的64,643条通路图，并提取了1,112,551例人类基因实例，包括13,464个独特的NCBI基因，参与了各种各样的生物学过程。这个集合代表的基因数量比同一篇论文的数量多一个数量级，而其他途径数据库中缺失的基因则多达数千个，从而为发现和研究提供了新的机会。该研究成果以“Pathway information extracted from 25 years of pathway figures”为题，在线发表在Genome Biology杂志上。

研究人员发现，在通过图像分类确定的64,643个通路图中，有58,962（91％）个数字具有至少一个人类基因被该研究团队的通路图OCR管线识别。总共识别出1,112,551个人类基因实例，其中包括13,464个独特的人类NCBI基因。平均而言，每个数字可识别18.9个基因，而PubTator在同一论文中仅可识别3.4个基因。PubTator在上述相同论文的全部文本中发现了十分之一的基因（101,617）。仅有一半的论文（53.5％）提到了文本中的一个或多个基因。而在该研究团队的途径图OCR结果中，有600多个图，每个图都有100多个基因。虽然许多最大的数字是互动网络。另一方面，只有超过20k（37％）数字的长尾巴，只有不到七个被识别的基因。

研究人员还使用R Shiny（https://gladstone-bioinformatics.shinyapps.io/shiny-25years）制作了一个在线工具，可以根据丰富的疾病术语、基因、日期和各种发布元数据字段。分为三个阶段，第一阶段提供自动完成字段，以定义基于OR的疾病注释，基因内容和出版年限的过滤器，并显示前40个疾病本体术语，前40个人类基因和发布日期的条形图根据当前筛选出的一组数字。第二阶段显示当前已过滤的一组图形的分页表格视图，每一行代表一个路径图形及其父文件。这些列可用于在表中进行排序和查询，以进一步优化当前集合。在表中选择一行将更新第三阶段，该阶段显示途径图，到PMC的链接和已识别基因的表。

87%用户都在用生物谷APP 随时阅读、评论、分享交流请扫描二维码下载->