近年来，高通量测序技术（NGS）在精准医学领域发挥的作用日益凸显，在肿瘤精准医学领域更是方兴未艾，相关的研究论文数量也呈现指数式增长。作为开发新算法、新工具的金标准，高质量且实时更新的肿瘤精准诊疗知识库肩负着快速追踪科研进展，更好地服务于临床，辅助新研究发现的重要使命，更是实现自动化和智能化报告解读系统的基石。

诚然，现如今相关领域已有多款优秀数据库，如OncoKB ^[2]、CIViC^[3]、JAX-CKB ^[4]、My Cancer Genome ^[5]、PMKB ^[6]、CGI ^[7]、OncoPDSS ^[8]等，但仍存在数据不全、缺乏持续或实时更新、数据无法批量获取等问题。因此，开发高质量且实时更新的自建知识库迫在眉睫。

图1. OncoPubMiner平台工作流（workflow）

研究论文是科研发现的第一展示阵地，也是肿瘤精准诊疗知识数据的重要来源。本项目以文献数据挖掘为目标，从NCBI下载可公开使用（open-access）的PubMed摘要（Abstract）和PMC全文（Full-text），经过脚本处理、解析和格式转化后，利用基于人工智能的NLP技术对肿瘤精准诊疗相关的实体（如癌种、基因、变异、药物、临床意义、证据方向）进行挖掘。同时，利用业界常用的术语集（terminology）和本体（ontology），分别对自动化标注的实体进行标准化和层级化处理。最后，基于数据挖掘结果，构建一套包括文献检索、文库管理、团队搭建、表单定制、项目管理、数据摘录及审核等功能在内的全流程一站式平台。

该工作首先从NCBI的FTP服务器下载全量的可公开使用的数据集。所下载的XML格式的文献数据均通过Python脚本转化为BioC-JSON（untagged，http://bioc.sourceforge.net/，图2），一种NCBI认可的生物医学文本处理与交互格式。

图2. BioC数据格式示例

接着，利用NLP技术，对全部转换后的BioC-JSON（untagged）数据进行实体识别（Entity Recognition）。现阶段识别的实体主要有：癌种/疾病、基因、变异/生物标志物、药物/化合物、临床意义和证据方向等。识别得到的实体再经过词典库（从公共数据库整理得到）和规则库（求臻医学信息团队文本挖掘经验总结得到）过滤，并经过同义词匹配和相似度计算等方式，对标注得到的全部实体进行标准化处理，从而产生终版的带有标准化标注结果的BioC-JSON（tagged）数据。文献挖掘已实现全流程自动化处理。

此外，该工作还开发了NCBI FTP服务器实时监控脚本OncoPubMonitor.py，一旦监控到有新文献释放（release），该脚本会自动进行增量下载，下载完成即启动自动化文本挖掘工作流。截至发稿，OncoPubMiner已挖掘23,434,007篇PubMed摘要、4,379,600篇PMC全文，识别出了277,198,162对去重后的“实体-文献”关系对。

文献挖掘结果分别以基于MongoDB的文档形式和基于MySQL的结构化形式进行存储。基于后者，该工作设计并开发了实体依赖的精准和模糊检索模式。此外，OncoPubMiner也集成了基于NCBI EUtilities API的远程检索模式。丰富的检索方式，能为用户带来更快更精准的文献检索体验。

图3. OncoPubMiner平台文献检索功能

为便于用户更直观地筛选目标文献，OncoPubMiner还展示了文献最近两年的影响因子（IF2020和IF2021），计算了HSL（Highest-sentence level）分值，显示文库收录、标星以及备注的状态。不仅如此，该工作还实时统计关联了每一篇文献引用（Reference）、被引用（Cited_by）以及相似（Similar）的文献列表。通过关联检索，能利用初步锁定的“种子”文献更快速地发掘其他可能感兴趣的文章。

OncoPubMiner的设计初衷，既是为优化求臻医学的检测业务服务，也是为了整个肿瘤精准诊疗领域服务。不同的研究机构、企业，对于各自知识库的结构设计也有所差异，如何能让系统满足所有用户对于数据结构的需求，这是OncoPubMiner设计之初就在考虑的问题。求臻医学信息团队为OncoPubMiner集成了数据表单在线定制功能，所有用户均可根据实际需求，自定义数据采集表单，包括字段名称、类型、默认选项、是否必填/必选、排序位置、字段提示等，均可自行配置（图4）。

图4. OncoPubMiner表单自定义功能

值得一提的是，OncoPubMiner预定义了完全兼容CIViC数据平台的包括诊断（Diagnostic）、预测（Predictive）、预后（Prognostic）、功能（Functional）、易感性（Predisposing）、致癌性（Oncogenic）等6套数据采集表单。所有用户均可基于这些公共表单进行拷贝，并在此基础上进行修改，方便快速构建目标表单（图5）。

图5. OncoPubMiner预定义的兼容CIViC的数据采集表单

除了上述功能，OncoPubMiner还提供了文库、团队以及项目管理等功能。

图6. OncoPubMiner 文献阅读及数据采集平台

通过关键词检索得到的文献可以通过文库进行集中管理，同时用户可以创建团队成员账号，并建立数据摘录（data curation）项目，将文库、表单和团队成员添加到项目中来：以团队的形式对目标文献进行阅读，利用表单进行数据采集，并对所采集的数据进行审核（图6），最终得到高质量的结构化知识数据（图7）。

图7.  OncoPubMiner导出的结构化知识数据

本项目中，求臻医学研发了一套用于肿瘤精准诊疗文献挖掘的一站式平台。通过基于NLP技术的文本挖掘，构建了全面的肿瘤学知识挖掘数据库。基于该数据库，提供了丰富的文献检索和筛选功能，并设计了全流程文献数据摘录与审核功能。通过该平台，用户能够实现“关键词进，知识库出”，一站式构建高质量、及时更新、结构化的自建肿瘤精准诊疗知识库，彻底解决利用公共数据库时所遇到的质量不高、数据不全、更新不及时、无法商用等痛点问题。