PaperAtlas: an automatically constructed atlas of computational methods and software from 6.4 million open-access articles
PaperAtlas ist ein automatisch erstellter, Open-Source-Atlas, der aus 6,4 Millionen Open-Access-Artikeln abgeleitet wurde und computergestützte Methoden sowie Software identifiziert und clustert, wobei er aufzeigt, dass ein signifikanter Teil dieser Ressourcen derzeit in bestehenden kuratierten Registern fehlt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Die moderne Biologie hat sich verändert. Es geht nicht mehr nur darum, durch Mikroskope zu blicken oder Kulturen im Labor zu züchten; es geht immer mehr darum, Code zu schreiben. Wissenschaftler nutzen komplexe Computerprogramme, um DNA zu analysieren, die Ausbreitung von Krankheiten zu modellieren und zu simulieren, wie sich Proteine falten. Diese Werkzeuge sind essenziell, aber sie sind verstreut. Sie sind in Millionen von wissenschaftlichen Arbeiten verborgen, oft mitten im Text vergraben, wo der Schwerpunkt auf einer biologischen Entdeckung liegt und nicht auf der Software selbst. Da diese Arbeiten von Menschen für Menschen geschrieben werden, kann dasselbe Werkzeug unter verschiedenen Namen bezeichnet werden, oder ein Programm wird nur einmal erwähnt, ohne einen formellen Link zu einer zentralen Liste zu besitzen. Dies macht es für Forscher unglaublich schwierig, das richtige Werkzeug für ihre Arbeit zu finden, oder für Kuratoren, den Überblick darüber zu behalten, was existiert. Das Ergebnis ist eine riesige, unorganisierte Bibliothek digitaler Ressourcen, die schwer zu navigieren ist.
Um dies zu lösen, entwickelte ein Forscherteam ein neues System namens PaperAtlas. Stellen Sie sich dies wie einen massiven, automatisierten Bibliothekar vor, der Millionen von wissenschaftlichen Arbeiten gleichzeitig lesen kann, um die darin verborgenen Computertools zu finden. Die Forscher begannen mit einer riesigen Sammlung von Open-Access-Artikeln, die sich auf mehr als sechs Millionen wissenschaftliche Arbeiten belief. Sie nutzten fortschrittliche Computermodelle – Programme, die darauf trainiert wurden, die menschliche Sprache zu verstehen –, um die Abstracts dieser Arbeiten zu scannen. Das Ziel war es, die Arbeiten, die über biologische Experimente handeln, von denen zu trennen, deren Hauptbeitrag eine neue Computermethode oder Software ist. Das System identifizierte erfolgreich über eine Million Arbeiten, die primär computergestützt waren.
Nachdem die relevanten Arbeiten gefunden worden waren, ging das System tiefer. Es las den Text dieser Arbeiten, um spezifische Details zu extrahieren: den Namen der Software, welches biologische Problem sie löst und um welche Art von Werkzeug es sich handelt, wie zum Beispiel ein Webserver oder ein neuer Algorithmus. Die Forscher organisierten diese Funde anschließend in einer strukturierten Karte. Sie gruppierten ähnliche Arbeiten basierend auf ihrem Inhalt, wodurch Cluster entstanden, die wie Kapitel in einem Buch fungieren. Diese Kapitel wurden weiter in breitere Themen unterteilt, was in einer finalen Sammlung von tausend distinkten Gruppen führte, die die wichtigsten Bereiche der biomedizinischen Informatik abdecken. Diese Karte ermöglicht es jedem, die Literatur nach Themen zu durchsuchen, um zu sehen, wie verschiedene Werkzeuge miteinander zusammenhängen, ohne jede einzelne Arbeit lesen zu müssen.
Die Forscher testeten auch, wie gut ihr System im Vergleich zu bestehenden Softwarelisten funktionierte. Sie verglichen die in den Arbeiten gefundenen Werkzeugnamen mit fünf großen, händisch kuratierten Registern, in denen Wissenschaftler ihre Software normalerweise registrieren. Die Ergebnisse zeigten eine signifikante Lücke auf. Von den tausenden einzigartigen Softwarenamen, die das System extrahierte, hatten mehr als sechzig Prozent keinen exakten Treffer in einem dieser offiziellen Register. Dies deutet darauf hin, dass ein großer Teil der in der Wissenschaft verwendeten Software entweder gar nicht registriert ist oder unter einem Namen registriert ist, der von der Bezeichnung in der wissenschaftlichen Arbeit abweicht. Das System konnte etwa siebenundfünfzig Prozent der Einträge aus einem großen Register namens bio.tools wiederfinden, wenn man den gesamten Prozess von Anfang bis Ende betrachtete. Wenn die Arbeit, die das Werkzeug beschreibt, jedoch tatsächlich in den Atlas aufgenommen wurde, sprang die Erfolgsquote auf über dreiundachtzig Prozent. Dies zeigt, dass die Hauptschwierigkeit nicht nur darin besteht, die Arbeiten zu finden, sondern sicherzustellen, dass die Namen der Werkzeuge perfekt mit den offiziellen Listen übereinstimmen.
Die Studie beinhaltete auch eine sorgfältige Überprüfung der eigenen Arbeit. Ein menschlicher Experte überprüfte eine kleine Stichprobe der Ergebnisse, um zu sehen, ob die Berechnungen des Computers Sinn ergaben. Der Mensch stimmte der Klassifizierung des Computers bezüglich der Frage, ob eine Arbeit computergestützt war, in den meisten Fällen zu, und die extrahierten Werkzeugnamen waren im Allgemeinen korrekt. Der Mensch stellte jedoch auch fest, dass das Abgleichen eines Werkzeugnamens aus einer Arbeit mit einem Registereintrag der schwierigste Schritt war, was oft fehlschlug, wenn die Namen leicht voneinander abwichen. Dies bestätigt, dass das automatisierte System zwar leistungsstark ist, die Art und Weise, wie Wissenschaftler ihre Werkzeuge benennen, jedoch inkonsistent bleibt.
PaperAtlas ist nun als kostenloses Open-Source-Webtool verfügbar. Es listet nicht nur Arbeiten auf; es organisiert sie in einer navigierbaren Struktur, die die Beziehungen zwischen verschiedenen Methoden hervorhebt. Indem es die Landschaft der computergestützten Biologie kartiert, hilft es Forschern, die Werkzeuge zu finden, die sie benötigen, und zeigt der wissenschaftlichen Gemeinschaft, wo die Lücken liegen. Die Arbeit zeigt, dass wir zwar die Technologie besitzen, die enorme Menge an produzierter wissenschaftlicher Literatur zu lesen und zu organisieren, das menschliche Element der Benennung und Registrierung dieser Werkzeuge jedoch noch hinterherhinkt. Der Atlas bietet eine klare Sicht auf diese Diskrepanz und schafft eine Grundlage für eine bessere Organisation in der Zukunft, ohne dabei zu behaupten, das Problem der inkonsistenten Benennung vollständig gelöst zu haben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.