PaperAtlas: an automatically constructed atlas of computational methods and software from 6.4 million open-access articles
PaperAtlas est un atlas en libre accès, construit automatiquement à partir de 6,4 millions d'articles en accès ouvert, qui identifie et regroupe les méthodes de calcul et les logiciels, révélant qu'une partie significative de ces ressources est actuellement absente des registres curatés existants.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
La biologie moderne a changé. Il ne s'agit plus seulement de regarder à travers des microscopes ou de cultiver des échantillons en laboratoire ; il s'agit de plus en plus d'écrire du code. Les scientifiques utilisent des programmes informatiques complexes pour analyser l'ADN, modéliser la propagation des maladies et simuler le repliement des protéines. Ces outils sont essentiels, mais ils sont dispersés. Ils sont cachés à l'intérieur de millions d'articles scientifiques, souvent enfouis au milieu du texte là où l'accent principal est mis sur une découverte biologique plutôt que sur le logiciel lui-même. Parce que ces articles sont écrits par des humains pour des humains, un même outil peut être appelé par des noms différents, ou un programme peut n'être mentionné qu'une seule fois sans lien formel vers une liste centrale. Cela rend extrêmement difficile pour un chercheur de trouver l'outil approprié pour son travail, ou pour un conservateur de suivre ce qui existe. Le résultat est une vaste bibliothèque désorganisée de ressources numériques difficile à naviguer.
Pour résoudre cela, une équipe de chercheurs a construit un nouveau système appelé PaperAtlas. Imaginez cela comme un bibliothécaire automatisé massif capable de lire des millions d'articles scientifiques à la fois pour trouver les outils informatiques qui s'y cachent. Les chercheurs ont commencé avec une immense collection d'articles scientifiques en accès libre, comptant plus de six millions d'unités. Ils ont utilisé des modèles informatiques avancés, qui sont des programmes entraînés pour comprendre le langage humain, pour scanner les résumés de ces articles. L'objectif était de séparer les articles traitant d'expériences biologiques de ceux dont la contribution principale est une nouvelle méthode informatique ou un nouveau logiciel. Le système a identé avec succès plus d'un million d'articles qui étaient principalement axés sur le calcul.
Une fois les articles pertinents trouvés, le système est allé plus loin. Il a lu le texte de ces articles pour en extraire des détails spécifiques : le nom du logiciel, le problème biologique qu'il résout et le type d'outil, comme un serveur web ou un nouvel algorithme. Les chercheurs ont ensuite organisé ces découvertes en une carte structurée. Ils ont regroupé les articles similaires en fonction de leur contenu, créant des grappes qui agissent comme les chapitres d'un livre. Ces chapitres ont été ensuite organisés en sujets plus larges, aboutissant à une collection finale de mille groupes distincts couvrant les domaines les plus importants de l'informatique biomédicale. Cette carte permet à quiconque de parcourir la littérature par sujet, en voyant comment les différents outils sont liés les uns aux autres sans avoir besoin de lire chaque article.
Les chercheurs ont également testé l'efficacité de leur système par rapport aux listes de logiciels existantes. Ils ont comparé les noms des outils trouvés dans les articles avec cinq registres majeurs, gérés manuellement, où les scientifiques enregistrent habituellement leurs logiciels. Les résultats ont révélé un écart significatif. Sur les milliers de noms de logiciels uniques extraits par le système, plus de soixante pour cent n'avaient pas de correspondance stricte dans l'un de ces registres officiels. Cela suggère qu'une grande partie des logiciels utilisés en science est soit non enregistrée, soit enregistrée sous un nom différent de celui qui apparaît dans l'article scientifique. Le système a été capable de récupérer environ cinquante-sept pour cent des entrées d'un registre majeur appelé bio.tools en examinant l'ensemble du processus de bout en bout. Cependant, si l'article décrivant l'outil était effectivement inclus dans l'atlas, le taux de récupération bondissait à plus de quatre-vingt-trois pour cent. Cela indique que le défi principal n'est pas seulement de trouver les articles, mais de s'assurer que les noms des outils correspondent parfaitement entre la littérature et les listes officielles.
L'étude comprenait également une vérification minutieuse de son propre travail. Un expert humain a examiné un petit échantillon des résultats pour voir si l'ordinateur faisait sens. L'humain était d'accord avec la classification de l'ordinateur concernant le caractère computationnel d'un article dans la plupart des cas, et les noms des outils extraits étaient généralement précis. Cependant, l'humain a également noté que faire correspondre le nom d'un outil d'un article à une entrée de registre était l'étape la plus difficile, échouant souvent lorsque les noms étaient légèrement différents. Cela confirme que, bien que le système automatisé soit puissant, la façon dont les scientifiques nomment leurs outils reste incohérente.
PaperAtlas est désormais disponible en tant qu'outil web gratuit et en open-source. Il ne se contente pas de lister des articles ; il les organise dans une structure navigable qui met en évidence les relations entre les différentes méthodes. En cartographiant le paysage de la biologie computationnelle, il aide les chercheurs à trouver les outils dont ils ont besoin et montre à la communauté scientifique où se trouvent les lacunes. Ce travail démontre que, bien que nous possédions la technologie pour lire et organiser la vaste quantité de littérature scientifique produite, l'élément humain de la dénomination et de l'enregistrement de ces outils accuse encore un retard. L'atlas offre une vue claire de ce décalage, offrant une base pour une meilleure organisation future sans prétendre avoir entièrement résolu le problème de l'incohérence de la dénomination.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.