1. @tabris2012

2. 新着論文レビューを
テキストマイニング1.0
：序
YOU ARE (NOT) AWARE.
統合牧場
技術開発部第二課
@tabris2012

3. 統合牧場の構成
技術開発部
統合TV番組制作部 第一課
第二課
統合牧場司令部
美術制作部

4. 統合牧場：技術開発部
第一課：
次世代DNA塩基配列解析技術の開発
第二課：
自然言語処理技術を用いた
ライフサイエンス分野のデータ解析技術の
開発
…ここの研究の一環として、日本語データの扱いを調
査・研究しています。

5. この1年でやったこと
 2011年4月に放牧開始。
 牧場スタッフの仲里さん
（@chalkless）と相談
→日本語論文の生物学用語を抜き出す
テキストマイニング
 @gackelNLさんと共に、思い思いの
マイニング手法を試す日々。

6. 生物分野の日本語文献
 ライフサイエンス統合データベース
（LSDB）プロジェクト
（http://lifesciencedb.jp）

7.  ライフサイエンス新着論文レビュー
（First Author's）
（http://first.lifesciencedb.jp）

8. 指令：生物学用語を抜き出せ!
 「遺伝子」「核膜」「小胞体」など
一般的に広く使用されている日本語と、
これら生物学用語を分離する
 その論文が何を主眼においているのか、
どんな生物学的発見を伝えたいのかが
一目で分かるようにする。

9. 自然言語で書かれた文章から抽出

10. 作成したもの： FABS

11. First Author's
Biological words Search
 ライフサイエンス新着論文レビューの論文
から、生物学用語を重み付きで
抜き出すプログラム
 Webブラウザから簡単に利用・操作
できます
（http://g86.dbcls.jp/~tabris2012/）

15. 日本語文献の解釈
 英語と違い、単語ごとに切断するのが
難しい
 日本語の形態素解析は、既に研究が
進んでいる。
英語：
A mouse model of the most aggressive subgroup of
human medulloblastoma.
日本語：
もっとも悪性度の高いヒト髄芽腫サブタイプの新規の
マウスモデルの確立

16. 日本語の形態素解析
 京都大学情報学研究科とNTTが
共同開発したプログラム
 MeCab
（オープンソース形態素解析エンジン）
 インストールして、コマンドライン
から実行する
 C++, Perl, Ruby, Python, Javaなどの
プログラムミング言語から呼び出す
ことができる

17. MeCab
•条件付き確率場
（CRF）
•システム辞書と
ユーザ辞書
•ユーザ辞書を書き
換えて、特定の単語の
確率を高くする。

18. 日本語の生物用語の判別
 文章内で、生物学用語を取り出す
 MeCabで単語ごとに切断して、それらの単
語にスコア（重み）を与える
 生物学用語と思われる単語のスコアを
大きくする
悪性度 10
ヒト髄芽腫 2281
サブタイプ 2132
新規 —（抑制）
マウスモデル 3549
確立 —（抑制）

19. 重み付けの方法
 論文内の単語の出現回数
刺激 3 モータータンパク質 2
環境 4 KIF1A 3
マウス 4 海馬 2
脳 3 神経栄養因子 1
影響 1 etc... ...

20. 重み付けの補正
 事前に用意した生物学用語辞書群
 「細胞」「タンパク質」「神経」など
 一つの論文ではあまり出現しないが、他の
論文では多く出現する単語を
調べて、「低頻度語辞書」として登録
刺激 3 モータータンパク質 2→1711
環境 4 KIF1A 3→4297
マウス 4→4111 海馬 2→2873
脳 3→2045 神経栄養因子 1→1211
影響 1 etc... ...

21. 論文の処理を要求
Query・Request
結果返却
Response
サーバで解析・重み付け

22. WikipediaのCategory:生物学
•リンク先の記事の
タイトルを集めて
Wikipedia辞書を
作成する。
•月に1回更新
•低頻度語辞書を
Wikipedia辞書に照らし 生物学
合わせて、週に1回更新
遺伝学 細胞生物学
遺伝子 染色体 細胞質 細胞膜

23. •更新状況はTwitter
ボットで確認できる。
（@FABS_togo）
•呼びかけると適当に
返事もします。
（30分ごとに更新）

24. 今後の開発
 生物論文に依存する部分が大きい
 論文の筆者の造語
 MeCabでは正しく形態素解析できない
日本語、生物学用語
 手動でユーザ辞書の更新→自動化
 知識抽出
→生物学用語間の関係性を導く

25. ライフサイエンス分野での
テキストマイニング
 まだやっている人が少ない
 大量の知識が論文の形を取って増え
続けている
 計算機による処理が必要不可欠
 試したい手法がある人、
プログラムで処理してみたい人は、
ぜひ牧場で研究してみませんか！
僕と契y(ry

26. お世話になっている方々
 牧場スタッフの皆さま
 技術補佐員・RAの皆さま
 DBCLSの皆さま
いつもお世話になっております。
来年度もよろしくお願いしますm(_ _)m

27. 次回
新着論文レビューを
テキストマイニング：
破

28. 論文からの知識抽出
 論文は新たな知識を提供するもの
 読まなくても、その論文が新たに示唆す
る知識だけを得たい
 さらに言えば、コンピュータが多くの論文
を自動解釈し、知識データベースを勝手
に作成してくれると良い
 人は検索ツールをつかって調べるだけ

29. Q. 論文単体しか見ないのですか
 プログラムの実行時には、基本的には要
求された論文しか対象にしていません。
 しかし、プログラムは実行して得られた結
果を学習し、次回以降の実行に生かせる
ようにしています
 詳しくはプログラムのウェブページに記
載しています