药学大数据应用实例
传统新药发现过程是逐一测试、验证化合物的生物活性的过程。这种方法在今后的一段时期内仍将是药物发现的金标准，但是这个过程中巨大的人力、物力的消耗已经成为新药研究进程中不可忽视的障碍。近年来，高通量筛选借助计算机辅助分析，虽说提高了一定的工作效率，但是思路还是传统的，没有充分利用现有的数据信息。而数据挖掘技术结合计算机辅助设计思路可以减轻传统的工作量，弥补了之前的不足，可真正提高新药探索命中率。
数据挖掘技术有助于发现具有相似药理作用的化合物。因为根据化学结构与药物疗效关系理论，具有相似作用的化合物的空间结构特征表现具有一定的共性。其分析结果可以用于已知化合物作用的优化以及帮助设计具有期望作用的化合物。而通过聚类分析具有相同化学性质的分子归类到一个集合中，每发现一个新的化合物，根据其分子结构特征与其他已知分子比较并归类分组，可以帮助研究者发现新化合物中发挥药理作用的分子基团，还可以测量该分子对特定疾病的化学活性大小，并且确定发挥作用的基团。这种方法在综合大量分子数据基础上，有望开发出一种基本没有药品不良反应的超级化合物分子——仅具有所期望作用的结构，其他方面作用很弱。
2001年知识发现与数据挖掘杯（KDD Cup 2001）竞赛内容之一是寻找与凝血酶靶点结合的有机分子结构。参赛者需要在大约1900余种有机化合物、每一个化合物分子有超过13万种属性参数（数据挖掘中称为维度）的500 MB的数据基础上，进行预测分析。这是一个具有挑战性的工作，不仅是因为其中分子属性参数数量的巨大，也是因为只有42个（2.2%）化合物具有生物活性。在参加的136个竞赛团队中的114个团队研究目标为凝血酶靶点结合分子的挖掘发现，只有10%的队伍准确率超过60%，其中加拿大帝国商业银行的工作者采用贝叶斯网络（Bayesian networks）算法，获得的准确率最高，接近70%。
医药学研究的进行与发展，时刻都有大量新发现、新问题、新技术，发表的文献呈几何级数增加。例如，医药学主要综合文献数据库MEDLINE目前已有超过1900万篇生命科学文献，每天还以近4000篇的速度增加。显然，任何一个医药科技工作者都没有足够的时间来掌握本学科内发表的全部文献，更无法获悉学科外研究进展。随着学科划分越来越细，所谓“知识分裂”现象愈加明显。但是跨学科研究却又非常迫切，不同学科之间的联系被专业内部大量的信息所掩盖，如何排除学科间的交流藩篱是亟待解决的问题。
目前公认的综合文献挖掘研究的开创性工作是由美国芝加哥大学（University ofChicago）的Swanson进行的，他提出将两类非直接相关的文献结合分析，会发现一些隐含的互补联系（complementary public relations），即ABC关联分板模型：如果一个文献集合报道了关键词A和关键词B之间的一个关系，另一个文献集合报道了关键词B和关键词C之间的一个关系，但是从没有文献报道过关键词A和关键词C之间可能存在的关系，这两个文献集合为互补文献。
该研究着眼于单个词汇出现频率的统计，即在筛选待分析的词汇时，超过一定出现频率的词则纳入进一步的分析。频率较低的词汇说明在研究中的偶然性比较大，可以不予考虑。其过程是从A和C出发，寻找共同的中间词B。当然需要验证开放式研究发现的一些关系是否有实际的生物学意义。采用这个方法，他们产生了几个假设，譬如其中“鱼油可能对雷诺病有效”，几年后这个假设得到临床验证。(https://www.daowen.com)
此后，很多科技工作者对Swanson的文献关联研究思路进行了实践和发展，采用了改进的词频统计方法，并开发了不同的软件工具进行隐含关联的挖掘。美国爱荷华大学（Univcrsity of文献挖掘分析ABC关联分析模型7州Iowa）研究者的研究工作基于文献数据库的主题词及对主题的描述词汇（从与主题相关的文献集合中提取出一组词汇，用这些词汇来描述所要研究的主题）。同时，给所选用的每个词赋予一定的权重，权值的大小代表了这个词汇在描述研究主题的过程中贡献的大小。同时，采用一体化医学语言系统（unified mcdical language system，UMLS）中的语义类型，作为词汇筛选的一个手段。首先，在Pub Med中用医学主题词检索某个主题A（通常是某种疾病或者某种化学物质，可以是自由词），得到一个文献集合，从中选取若干可以用于描述主题A的词汇，赋予一定的权重。按照预先选定的与主题A相关的语义类型，将这些词汇投入到不同的语义类型之下。按权值的高低对这些词汇排序，选择排名靠前的数个词汇作为主题A的描述，得到主题B的一个词汇集合。对B中的每个词，重复上述过程，得到主题C相应的文献集合。通过这种研究方法，发现了姜黄素（curcumln）可能对视网膜疾病（retinal diseases）、克罗恩病（Crohn＇s disease）和脊髓功能异常（disorders related ro thespinal cord）有效。
美国印第安纳大学（Indiana University）的研究者改进了Swanson的研究，可以同时发现MEDI.INE中存在的直接的关系和可能存在的新关系。通过可视化工具Trans Miner描药学大数据应用述相互关系，图像中的每个结点代表一个主题，两个结点之间的边即为这两个主题之间的关系，图像中的虚线表明两个主题之间可能存在潜在关联；直线则表明主题之间的关系是已知的。利用此工具从5 000多篇MEDI INE文献中发现了56个乳腺癌相关基因信号。仅从用户感兴趣的所有主题中选取了6个词（stress，magnesium，mlgralne，platelet，depression ancl calcium）就成功地验证了Swanson发现的镁和偏头痛之间的关系。
荷兰格罗宁根大学（Groningcn Universitv）的工作者开发了自然语言处理（naturalanguage processing）知识发现系统，研究过程中使用了UMLS超级词表中的概念、语义类型和Metamap软件（将文献中的词汇转换成UMLS的超级词表中对应的概念）。使用UMLS中的语义类型作为词汇筛选的条件，只有对应到研究者感兴趣的某些语义类型中的词才会进一步地分析。因此，该系统的词汇分析单元也被设定为UMLS超级词表中的概念，其目的是为了能够识别复合词或词组表达的概念，比如血压（blood pressure）。利用该发现系统成功重复了Swanson发现鱼油和雷诺病之间关系的研究外，将药物名称作为主要的目标词汇，回顾性地研究了用于治疗良性前列腺增生的药物非那雄胺相关文献，发现该药物不良反应之一是促使毛发生长。
近二十几年间，类似的文献传递关联分析（transitlvc text mlnlng）取得了很大的进展。随着全文数据库的建立和完善，文本分析将不再只局限于标题或文摘，或者主题词或关键词等，也需要对以往的研究方法加以改进和拓展；由于自然语言的复杂性，挖掘方法中都或多或少地有人为参与，人的主观性或者专业素养很大程度地影响分析结果及信息的正确性。