彭昀磊，牛 耘

(南京航空航天大学 计算机科学与技术学院，江苏 南京 210016)

0 引 言

通过相互作用，细胞中的蛋白质完成细胞中的大部分过程，比如细胞内通讯。因而，蛋白质交互信息(protein-protein interaction,PPI)成为了关键信息，用以解决大量医学难题。目前，生物学家通过人工阅读的方式识别医学文献中的PPI，并按照统一的格式将这些重要的信息录入数据库，如HPRD[1]、IntAct[2]、MINT[3]。然而以上数据库中的PPI信息并不全面，而且生物医学的快速发展导致每年相关科学文献的增长数量达上千万，每天也在产生新的蛋白质之间的关系。因此要从医学文献中收集PPI信息，仅靠手工方式难以满足现实的需求。

在此背景下，有监督的机器学习方法被大量地运用到研究PPI关系识别中，但需要依赖于大量的文本集合，并要求文本集合质量高且标注蛋白质交互信息，而构造这样的集合需要耗费大量的人力和时间。因此，笔者在之前的研究中提出了一种基于弱监督的蛋白质交互识别法，只需利用少量已有的标注信息进行蛋白质交互关系识别。该方法对蛋白质关系描述的上下文进行聚类，提取出交互关系描述的模式，用模式对交互关系进行判断。文中在该方法的基础上，提出了基于词向量的特征词选择。为特征词集合中的每个单词产生一个向量，再根据单词对应的向量将单词聚类，然后从聚类结果中选出更能表达PPI信息的词，继而进行PPI识别。

1 相关工作

近年来，研究者们越来越多地采用基于机器学习的方法[4-6]去识别PPI信息。……