SciBite lance les modèles d'extraction de relations SciBiteAI

USA - Français

• USA - English
• USA - Deutsch

CAMBRIDGE, Royaume-Uni, 13 novembre 2020 /PRNewswire/ -- SciBite, la société de technologie sémantique primée, a annoncé aujourd'hui la sortie de ses modèles d'extraction de relations SciBiteAI, qui offrent une capacité accrue pour identifier des relations complexes dans le texte afin de mieux exploiter les données des sciences de la vie. Déployés dans le cadre de SciBiteAI lancé récemment, ces modèles d'apprentissage profond permettent d'identifier le contexte entre des termes tels que les interactions protéine-protéine ou la notification d'effets indésirables des médicaments.

L'utilisation de technologies de recherche avancées, telles que TERMite, le moteur de reconnaissance d'entités nommées de SciBite, a permis aux chercheurs d'identifier des résultats pertinents dans les textes biomédicaux. L'identification de la relation entre deux entités est la clé pour établir un niveau supplémentaire de compréhension sémantique.

Toutefois, la détermination des relations n'est pas sans poser de problèmes ; la majorité des phrases, comportant deux termes ou plus qui se répètent, ne comprennent pas de relations, et lorsqu'une relation existe, elle est souvent décrite à l'aide d'un langage complexe et diversifié.

SciBite a créé une série de modèles d'extraction de relations BERT qui identifient les phrases présentant des relations entre deux ou plusieurs entités biomédicales. Ces modèles d'apprentissage profond ont été développés en utilisant la technologie sémantique et le contenu ontologique de SciBite, ce qui leur permet de s'adapter à la variété du langage utilisé dans les sciences de la vie. La première série de modèles publiés comprend les relations entre les médicaments et les effets indésirables, les liens entre les médicaments et les gènes cibles, et les associations gènes-maladies.

Cette approche de l'élaboration d'ensembles de données de formation pour les modèles d'apprentissage profond a également été décrite dans une publication pré-impression. En collaboration avec des partenaires universitaires de SIGNOR et de l'EMBL-EBI, l'article décrit l'utilisation de l'ontologie et de la reconnaissance d'entités nommées, ainsi que le recours à des experts pour développer un modèle d'interaction protéine-protéine, qui a maintenant été publié pour un usage non commercial chez SciBiteLabs.

« Notre objectif avec SciBiteAI est de créer des modèles d'apprentissage profond basés sur la sémantique que les scientifiques et les développeurs d'applications peuvent utiliser sans avoir besoin de devenir des experts en machine learning », explique Andy Balfe, chef de produit. « Trouver des connexions entre les entités biomédicales est une partie fondamentale de la plupart des recherches en sciences de la vie et ces modèles sont conçus pour aider à cette tâche. »

Pour en savoir plus, consultez le site https://www.scibite.ai.

À propos de SciBite

SciBite est une société de logiciels sémantiques primée qui propose une approche basée sur l'ontologie pour transformer des contenus non structurés en données propres lisibles par la machine. En soutenant les 20 premières entreprises pharmaceutiques avec des cas d'utilisation dans les sciences de la vie, SciBite donne aux clients une suite de technologies API rapides, flexibles et déployables, ce qui en fait un élément essentiel des stratégies fondées sur les données scientifiques.

Contact pour les médias :

Lauren Barham, directrice du marketing
[email protected] 
+44 (0)1223 786129

Logo : http://mma.prnewswire.com/media/617446/SciBite_Logo.jpg

Related Links

scibite.com