Στατιστικές μέθοδοι πολυμεταβλητής ανάλυσης δεδομένων από βιολογικά κείμενα και οντολογίες

Abstract

The research involves text mining of biological texts using statistical methods of classification and clustering. The classification involves the use of Linear Discriminant Analysis, LDA, Support Vector Machines, SVA and Multinomial Logistic Regression, MLR, LDA was found to perform the best. Non Linear Canonical Correlation, Analysis, NLCCA was also used in order to describe the information of the words of the texts, their gene ontology and Medical Subject Headings with only one dataset, with reduced number of variables. The clustering was based on a stochastic algorithm, namely Markov clustering (MCL) and represented the results to the end user in a 2d or 3d environment.

Η διατριβή εντάσσεται στο γενικότερο χώρο της εξόρυξης και ανάλυσης πληροφοριών από βιολογικά κείμενα με χρήση στατιστικών μεθοδολογιών και αλγόριθμων. Ειδικότερα η έρευνα κινείται σε 3 άξονες, α) στην ανάθεση ενός όρου γονιδιακής οντολογίας σε ένα κείμενο με βάση μεθόδους και μοντέλα κατάταξης, όπως η Linear Discriminant Analysis LDA, Support Vector machines, SVM & H Multinomial Logistic Regressions MLR. H LDA αποδείχθηκε αποτελεσματικότερη, β) χρήση της Non Linear Canonical Correlation Analysis, NLCCA, για ποσοτικοποίηση της μη γραμμικής συσχέτισης μεταξύ των λέξεων των κειμένων, των όρων της γονιδιακής οντολογίας και των όρων της Medical Subject headings, MESH, Οντολογίας. Αντικατάσταση των τριών συνόλων με ένα νέο λιγότερων μεταβλητών, γ) μεθοδολογία ομαδοποίησης κειμένων με βάση το στοχαστικό αλγόριθμο Markov Clustering Algorithm, MCL και παράσταση των αποτελεσμάτων σε διαδραστικό 2Δ ή 3Δ περιβάλλον.