Znanje lahko predstavimo kot kompleksno omrežje; taka omrežja so bila v zadnjem času deležna številne pozornosti. Pregled empirične evidence razkriva, da je malo znanega o dinamičnih vidikih človekovega znanja. Natančna analiza razvoja znanstvenega vedenja nam lahko pomaga razumeti razvojno dinamiko znanosti. V članku analiziramo dinamične lastnosti in principe rasti bibliografske zbirke MEDLINE s pomočjo metodologije kompleksnih omrežij. Osnovna predpostavka je, da lahko znanstvenemu razvoju sledimo skozi analizo sopojavljanja MeSH deskriptorjev v MEDLINE zapisih. Zbirko MEDLINE smo predstavili kot kompleksen sistem, sestavljen iz vozlišč in povezav, kjer se prva nanašajo na koncepte znanja, druge pa na pripadajoče relacije. Statistično smo analizirali več kot 25 milijonov MEDLINE zapisov, od leta 1966 do 2014. Rezultati kažejo, da pojav novih MeSH deskriptorjev ne indicira tudi porajanja novih povezav. Velika večina novih povezav med vozlišči izvira iz starih in uveljavljenih MeSH deskriptorjev. Predlagamo tudi mehanizem povezovanja vozlišč, ki temelji na teoriji strukturnih lukenj.
COBISS.SI-ID: 34082777
Odkrivanje zakonitosti iz literature (OZL) je znanstveno področje, ki se ukvarja z luščenjem latentnih povezav med koncepti znanja v znanstveni literaturi. Članek predstavlja prvi sistematičen scientometrični pregled področja. Analiza je bila opravljena z orodjem CiteSpace na domenski literaturi zadnjih štirih desetletij (1986–2020). Množico 409 bibliografskih zapisov smo konstruirali na osnovi pregleda šestih bibliografskih zbirk in dveh strežnikov za tisk ter jo ročno prečistili. Glede na letno objavo dokumentov lahko celotno zgodovino področja OZL razbijemo v tri časovna obdobja: inkubacijsko (1986-2003), razvojno (2004–2008), in zrelo (2009-2020). Letna znanstvena produkcija sledi Priceovemu zakonu. Omrežje soavtorstev sestavljajo številne majhne in srednje velike gruče, kar zrcali slabo sodelovanje med različnimi domenskimi raziskovalnimi skupinami. S preslikavo znanja smo odkrili kvalitativni preskok v pristopih OZL, kjer je metodologijo sopojavnosti konceptov nadomestila metodologija semantičnih relacij. V zadnjem desetletju področje OZL prevzema in nadgrajuje ideje analize kompleksnih omrežij. Močno se je povečala uporaba OZL v uporabnih znanostih, npr. za napovedovanje neželenih učinkov zdravil in repozicioniranje zdravil. Raziskovalci so poleg izboljšave teoretičnih modelov preiskovanja znanja močno pripomogli tudi k razvoju spletnih aplikacij za OZL. Kljub usmerjenosti v biomedicinske aplikacije je OZL v smislu razvoja metodologije izrazito interdisciplinarno področje in vključuje spoznanja informacijskih znanosti, scientometrike in statističnega učenja. Kot prebujajoči se raziskovalni usmeritvi v OZL identificiramo globoko učenje in pojasnjevalno umetno inteligentnost.
COBISS.SI-ID: 47168003
V članku obravnavamo problem repozicioniranja zdravil za COVID-19 z uporabo metod napovedovanja povezav v bibliomskih omrežjih znanja. Predlagamo inovativno in integrativno metodologijo za odkrivanje zakonitosti iz literature s pomočjo globokega učenja. Opisan pristop temelji na analizi semantičnih trojic med koncepti iz literature, ki jih izluščimo s pomočjo orodja SemRep. Z uporabo filtriranja semantičnih relacij in klasifikatorja izpeljanega iz modela BERT, smo najprej zgradili reprezentativno podmnožico semantičnih trojic za domeno COVID-19. Podmnožico semantičnih trojic smo nato uporabili za konstrukcijo omrežja znanja nad katerim smo za napovedovanje novih kandidatnih zdravil uporabili pet najsodobnejših algoritmov globokega učenja (TransE, RotatE, DistMult, ComplEx in STELP). Modele smo ovrednotili s pristopom časovnih rezin, kandidatna zdravila pa so primerjali s seznamom zdravil, ki smo ga ročno pripravili na osnovi pregleda literature. Pri klasifikaciji ustreznih semantičnih trojic se je najbolje odrezal model PubMedBERT (F1= 0.854). Med petimi preizkušenimi modeli napovedovanja novih povezav med vozlišči je po točnosti najbolj izstopal model TransE (MR = 0.923, Hits@1 = 0.417). Rezultati odkrivajo nove povezave med že znanimi zdravila, ki se sicer uporabljajo pri zdravljenju COVID-19. Med kandidati smo posebej izpostavili pet zdravill, ki so bila na ranžirni lestvici najviše uvrščena (aclitaxel, SB 203580, alpha 2-antiplasmin, metoclopramide in oxymatrine). S pomočjo metode odkrivanja vzorcev smo raziskali in opisali mehanizme njihovega delovanja. Pokazali smo, da je pristop odkrivanja zakonitosti iz literature uporaben ne le za odkrivanje kandidatnih zdravil za COVID-19, temveč tudi za pojasnjevanje njihovega delovanja. Predstavljeno metodo lahko enostavno posplošimo za analizo drugih bolezni in jo uporabimo pri podobnih kliničnih vprašanjih. Programska koda in podatki so na voljo na spletnem naslovu https://github.com/kilicogluh/lbd-covid.
COBISS.SI-ID: 52181763
Interakcija med zdravili (DDI) se nanaša na potencialno spremembo učinka izbranega zdravila, k bolnik prejema tudi drugo zdravilo. Poznavanje lastnosti interakcij med zdravili je izjemnega pomena za preprečevanje morebitnih neželenih učinkov zdravil. DDI lahko predstavimo kot kompleksno omrežje, v katerem se vozlišča nanašajo na zdravila, povezave med vozlišči pa na njihove potencialne interakcije. V zadnjem desetletju vzbuja v znanstveni skupnosti veliko pozornosti problem napovedovanja povezav v kompleksnih omrežjih. V članku prevedemo pristop napovedovanja povezav v omrežjih na nalogo uvrščanja. Izbrane metode napovedovanja povezav smo uporabili za napovedovanje doslej neznanih DDI v petih podatkovnih zbirkah: DrugBank, KEGG, NDF-RT, SemMedDB in Twosides. Napovedovanje povezav smo ovrednotili z metodami nenadzorovanega in nadzorovanega učenja, vključno s klasifikacijskimi drevesi, k-najbližjimi sosedi, metodo podpornih vektorjev, slučajnimi gozdovi in ??metodo GBM. Učenje smo opravili na osnovi topoloških in semantičnih lastnosti omrežij. Nadzorovane metode uvrščanja statistično značilno presegajo natančnost uvrščanja v primerjavi z nenadzorovanim pristop. Najboljše rezultate uvrščanja smo dosegli v omrežju Twosides. Pristop nadzorovanega napovedovanja povezav lahko s pridom uporabimo za napovedovanje in prepoznavanje potencialnih neželenih DDI tudi v kliničnih raziskavah
COBISS.SI-ID: 33762265
Odkrivanje zakonitosti iz literature (OZL) je hitro razvijajoče raziskovalno področje. V prispevku predstavimo izsek scientometričnega pregleda področja OZL v obdobju 1986–2020. Analiza je bila opravljana na osnovi bibliografske zbirke Web of Science, v kateri smo identificirali 237 domenskih zapisov. Največ prispevkov s področja OZL je objavljenih v reviji Journal of Biomedical Informatics. Vodilna vloga v raziskavah OZL pripada ZDA. Med avtorji po količini objav izstopa Thomas C. Rindflesch. Na osnovi scientometričnih rezultatov zadnjih 35 let kvalitativno razložimo napredek raziskovanja na področju OZL in osvetlimo možne smeri razvoja.
COBISS.SI-ID: 33945859