SciBite veröffentlicht SciBiteAI Relationship Extraction Modelle

CAMBRIDGE, 13. November 2020 /PRNewswire/ -- SciBite, das preisgekrönte Unternehmen für semantische Technologien, gab heute die Veröffentlichung seiner SciBiteAI Relationship Extraction-Modelle bekannt, die verbesserte Fähigkeiten bieten, komplexe Zusammenhänge innerhalb von Texten zu identifizieren, um Erkenntnisse aus biowissentschaftlichen Daten einfacher zu erschließen. Im Rahmen des kürzlich eingeführten SciBiteAI-Frameworks identifizieren diese Deep-Learning-Modelle den Kontext zwischen Begriffen wie Protein-Protein-Interaktionen oder der Meldung von Arzneimittelnebenwirkungen.

Durch den Einsatz fortschrittlicher Suchtechnologien wie TERMite, dem „Named Entity Recognition (NEM)"+-Motor von SciBites, können Forscher relevante Treffer in biomedizinischen Texten identifizieren. Die Identifizierung der Beziehung zwischen zwei Einheiten schafft eine zusätzliche Ebene des semantischen Verständnisses.

Die Beziehungsbestimmung ist jedoch nicht immer einfach; die meisten Sätze mit zwei oder mehr miteinander verbundenen Begriffen beinhalten keine Beziehungen, und wenn doch eine Beziehung existiert, wird sie oft in komplexer und vielfältiger Sprache beschrieben.

SciBite hat eine Serie von BERT Relationship Extraction Modellen erstellt, die Sätze identifizieren, die Beziehungen zwischen zwei oder mehr biomedizinischen Einheiten aufweisen. Diese Deep-Learning-Modelle wurden unter Verwendung der semantischen Technologie und der ontologischen Inhalte von SciBite entwickelt, die es ihnen ermöglichen, sich an die Vielfalt der in den Biowissenschaften verwendeten Sprache anzupassen. Zu den anfänglich veröffentlichten Modellen gehören Beziehungen zwischen Medikamenten und unerwünschten Ereignissen, Verbindungen zwischen Medikamenten und Genen sowie zwischen Genen und Krankheiten.

Dieser Ansatz zur Entwicklung von Trainingsdatensätzen für Deep-Learning-Modelle wurde auch in einer Vorabdruckveröffentlichung beschrieben. In Zusammenarbeit mit akademischen Partnern von SIGNOR und EMBL-EBI beschreibt das Dokument die Verwendung von Ontologie und NER neben der Kuration durch Experten zur Entwicklung eines Protein-Protein-Interaktionsmodells, das jetzt von SciBiteLabs für die nicht-kommerzielle Nutzung freigegeben wurde.

„Unser Ziel mit SciBiteAI ist es, semantisch-basierte Deep-Learning-Modelle zu erstellen, die Wissenschaftler und Anwendungsentwickler nutzen können, ohne Machine-Learning-Experten zu werden", sagt Product Manager Andy Balfe. „Verbindungen zwischen biomedizinischen Einheiten zu finden ist ein grundlegender Bestandteil der meisten biowissenschaftlichen Forschung und diese Modelle sollen dabei helfen."

Erfahren Sie mehr unter  https://www.scibite.ai.

Informationen zu SciBite

SciBite ist ein preisgekröntes Unternehmen für semantische Software und bietet einen ontologiegesteuerten Ansatz zur Umwandlung unstrukturierter Inhalte in maschinenlesbare saubere Daten. SciBite unterstützt die 20 führenden Pharmaunternehmen mit Anwendungsfällen in allen Bereichen der Biowissenschaften und bietet seinen Kunden eine Reihe von schnellen, flexiblen und einsatzfähigen API-Technologien, die es zu einer wichtigen Komponente in wissenschaftlichen, datengesteuerten Strategien machen.

Pressekontakt:

Lauren Barham, Marketing Manager
lauren@scibite.com 
+44 (0)1223 786129

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