Text as data: Using text-based features for proteins representation and for computational prediction of their characteristics

عصر جاری زیست شناسی در مقیاس بزرگ، با رشد سریع در تعداد ژنوم های توالی و در نتیجه، با بسیاری از پروتئین های شناخته شده مشخص شده است که عملکرد آنها هنوز مشخص نشده است. همزمان، هر گونه اطلاعات شناخته شده یا پیشنهادی مربوط به ژن ها و پروتئین ها بخشی از ادبیات علمی منتشر شده است که در حال رشد است و در سالانه بیش از یک میلیون انتشار جدید منتشر می شود. ابزار محاسباتی که به طور خودکار پیش بینی و حاشیه نویسی ویژگی های پروتئینی مانند الگوهای عملکرد و محلی سازی را دنبال می کند، همراه با سیستم هایی که به دنبال پشتیبانی از فرآیند از طریق متا مین یابی هستند، توسعه می یابد. بیشتر کار بر روی ویژگی های پروتئین بر ویژگی های مستقیما از داده های دنباله ای پروتئین متمرکز می شود. کار مرتبط با پروتئین که هدف از استفاده از ادبیات است، معمولا به استخراج حقایق خاص (از جمله متابولیسم پروتئین) از متن متمرکز می شود. در چند سال گذشته، مسیر دیگری را در نظر گرفته ایم که ادبیات را به عنوان منبعی از ویژگی های مبتنی بر متن، که می تواند مورد استفاده قرار گیرد به عنوان ویژگی های پروتئینی مبتنی بر دنباله در کار قبلی استفاده می شود، برای پیش بینی موقعیت سلول های پروتئین و احتمالا همچنین تابع. ما در اینجا در مورد جزئیات کلی رویکرد بحث، همراه با نتایج کار ما در این زمینه انجام شده نشان دادن ارزش این روش و استفاده بالقوه از آن است.