基于共词分析的国内生物信息学热点领域研究

宋茂海，李东方

(1.第二军医大学基础部生物信息学教研室，上海200433;2.第二军医大学基础部计算机教研室，上海200433)

利用信息计量学对某一领域的论文进行统计分析，归纳出该学科的研究分类、结构与范式，对于规划学科布局，促进学科发展，调整科研方向具有重要的参考价值［1］。共词分析作为信息计量方法的一种，通过主题分析能直观地揭示学科微观结构，其原理是当两个学科领域内的关键词在一篇文献中同时出现时，表明这两个词之间具有一定的内在关系，出现的次数越多，表明它们的关系越密切［2-3］。在此基础上，利用因子分析、聚类分析和多维尺度分析等多元分析方法，按照关键词之间的“距离”将某一领域内关键词加以分类，从而揭示学科领域的发展与演进趋势、课题研究的扩散与传播关系［4-6］。本文采用共词分析方法，通过分析期刊论文的关键词，考察近十年来我国生物信息学的研究分类和发展趋势［7］。

1 数据来源

本文选择中国知网学术期刊网络出版总库、中国重要会议论文全文数据库、国际会议论文全文数据库和中华医学会/中国医师协会全文期刊库为数据源，以“关键词”为检索途径，以“生物信息学”为检索词，采用“精确”检索方式，共检索到1998～2013年3月相关期刊论文5 707篇(去除无关键词的论文及会议通知、征稿启示等文献)，论文的年份分布见表1。

表1 1998～2013年3月生物信息学文献年份分布Table 1 Distribution of bioinformatics articles between 1998 and 2013

2 数据处理和分析

2.1 高频关键词确定

关键词作为一篇论文的元数据，是文章核心内容的浓缩和提炼。对5 707篇期刊论文进行数据统计，共提取关键词27 402个。去除不参与后期分析的“生物信息”、“生物信息学”关键词，合并“蛋白质组”、“蛋白质组学”，“miRNA”、“microRNA”等同义关键词，按词频由高到低排序，选择前40个关键词作为分析对象(见表2)。这40个高频关键词共累计出现3 891次，占论文总数的68.2%，在一定程度上能体现国内生物信息学的研究现状。

2.2 共词矩阵与相关矩阵

利用ROST数据挖掘软件对40个关键词进行两两共词检索，统计其在所有论文中同时出现的次数，形成一个40×40的共词矩阵，对角线上的数值为该关键词在所有论文中出现的次数，非对角线上的数值表示两个关键词共同出现在同一篇论文中的次数(见表3、表4)。

表2 1998～2013年生物信息学文献高频关键词表Table 2 High frequency keywords sheet of bioinformatics between 1998 and 2013

表3 生物信息学文献高频关键词共词矩阵(部分)Table 3 Co-word matrix of bioinformatics high frequency keywords

为了消除频次悬殊造成的影响，用Ochiia相似系数将共词矩阵转换成相关矩阵［8］。即将共词矩阵中的每个数值都除以与之相对行列的两个词频总数乘积的平方根。

表4 生物信息学文献高频关键词相关矩阵(部分)Table 4 Correlation matrix of bioinformatics high frequency keywords

2.3 多元统计分析

将相关矩阵的数据导入SPSS 19.0，进行多元统计分析，包括因子分析、聚类分析和多维尺度分析。

2.3.1 因子分析

因子分析通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并以最少的信息丢失将多个变量化为少数几个综合变量，原始的变量是可观测的显在变量，而假想变量是不可观测的潜在变量，称为因子。将表4的相关矩阵的数据导入SPSS，选择主成分法(Principal components)进行因子分析得到各行的特征根、方差(见表5)和碎石图(见图1)。

通过因子矩阵的总方差表，可见有18个主成分被提取，这些主成分累积解释全部信息的61.17%。从载荷因子分布情况来看，因子分析结果中的关键词分布比较离散，若严格按照载荷因子大于1的条件分类，则类别将多达18个，不利于分析讨论;若按图1曲线的拐点位置来分类，则类别只有4个，也不便于展开讨论。因此，综合因子矩阵和碎石图分析结果［9-10］，结合其他高频关键词的特点，选取因子载荷大于1.3的主成分进行分类，可将40个关键词归为7类。

表5 生物信息学文献相关矩阵的因子分析Table 5 Factor analysis of correlation matrix of bioinformatics

图1 生物信息学文献高频关键词碎石图Fig.1 Scree plot of bioinformatics high frequency keywords

2.3.2 聚类分析

聚类分析是一组将研究对象分为相对同质的群组的统计分析技术，其基本思想是把相似程度较大的变量聚合为一类，把另外一些相似的变量聚合为另一类，关系密切的聚合到一个小的分类，关系疏远的聚合到一个大的分类，直到把所有的变量都聚合完毕，最后再把整个分类系统画成一张谱系图，用它把所有变量间的亲疏关系表示出来［11］。图2是生物信息学高频关键词聚类分析树形图，显示了各关键词之间的关联程度，上端0～25的代表各类之间的距离，越早被聚为一类的关键词之间的距离越近，关联越紧密。

图2 生物信息学文献高频关键词聚类分析树形图Fig.2 Cluster dendrogram of bioinformatics high frequency keywords

依据聚类过程同时参考因子分析结果，本研究所用的高频关键词可分为以下7类:

(1)蛋白质组学分析。蛋白质组学直接研究编码基因翻译出的蛋白质产物，比转录组学注释基因组获得的结果更直接。蛋白质特有的翻译后处理现象使得蛋白质组学在提供基因表达产物、确认和校正编码基因、解析翻译后处理现象，以及发现新的编码基因及其规律上拥有先天的优势［12］。

(2)系统生物学分析。系统生物学是研究基因和蛋白质的一种新方法，和传统生物科学研究单个基因或者蛋白质不同，系统生物学研究的是生物信息(DNA、mRNA、蛋白质、功能蛋白、生物信息途径、生物信息网络)在所有水平上复杂的相互作用，重点考察这些生物信息是如何一起工作的［13］。

(3)功能基因组学分析。基因组学的研究已从建立高分辨遗传、物理和转录图谱为主的结构基因组学转向功能基因组学。功能基因组学主要研究DNA序列变异性、基因组表达调控、模式生物体和生物信息平台与数据库构建［14］。

(4)microRNA研究分析。microRNA主要与靶mRNA分子的3’非编码区的不完全互补序列结合，通过靶向降解mRNA或抑制mRNA翻译，达到基因沉默的调控效果［15］。近年来，随着测序技术的发展和多种分子生物学实验手段的结合，越来越多的microRNA相继被发现，相应的表达变化、作用机制等后续研究正在迅速兴起。

(5)基因克隆表达分析。基因克隆技术把来自不同生物的基因同有自主复制能力的载体DNA在体外人工连接，构建成新的重组DNA，然后送入受体生物中去表达，从而产生遗传物质和状态的转移和重新组合，再进行基因相关结构、功能的研究。

(6)电子克隆研究。电子克隆是利用生物信息学手段进行基因克隆的新方法，它借助计算机的高速运算能力，通过EST或基因组的序列组装和拼接，利用RT-PCR方法快速获得新基因，具有投入低、速度快、针对性强等优点［16］。电子克隆技术成为基因工程中获得新基因的重要手段，对开展人类基因功能的研究，在基因水平上预防疾病具有重要的意义和价值。

(7)基因的数据挖掘分析。高通量测序带来了海量的核酸及蛋白质序列数据，人们很难直观地解读这些高维数据中的信息［17-18］。利用计算机科学及应用数学知识，通过降维、关联分析、分类和识别等数据处理方法，更好地理解基因表达谱、预测基因功能、分子结构和优化先导分子等。

2.3.3 多维尺度分析

多维尺度分析是一种通过二维空间展现关键词之间的联系，利用平面距离来反映关键词之间的相似程度，同时又保留数据对象间原始关系的数据分析方法［19］。根据因子矩阵，利用SPSS进行多维尺度分析并加以整理得出多维尺度图，如图3所示。图中，有高度相似性的点聚集到一起形成一类，并且越居中的关键词与其他关键词的联系越多，在该领域中的地位越核心。

分析生物信息学高频关键词在多维尺度图上的分布情况。其中，“蛋白质相互作用”关键词靠近图形中心，说明蛋白质组学是生物信息学研究的热点方向。另外，系统生物学和比较基因组学、基因芯片、计算生物学研究仍将是今后的热点和方向。

图3 生物信息学文献高频关键词多维尺度图Fig.3 Multidimensional scale diagram of bioinformatics high frequency keywords

3 结论

本文在提炼生物信息学期刊论文40个高频关键词的基础上，运用共词分析方法，通过因子分析，聚类分析和多维尺度分析，探讨了生物信息学研究的结构、关注的热点和研究趋势，得出该领域研究颇受关注的7个类别。由于论文发表的时滞性，特别是国内和国外研究热点的时滞性，单纯通过关键词列表进行统计分析存在一定的偏差。另外，有些新出现的关键词，因出现频次较低，未能引起共词分析方法的“注意”，所以分析时还要结合时间序列，才能更精确地预测未来的研究热点。

References)

［1］ 邱均平.信息计量学(九):第九讲文献信息引证规律和引文分析法［J］.情报理论与实践，2001，24(3):236-240.QIU Junping.Bibliometrics(IX):Document Information Law Citations and Citation Analysis ［J］.Information Studies:Theory＆ Application，2001，24(3):236-240.

［2］ 郭文姣，欧阳昭连，李阳，等.应用共词分析法揭示生物医学工程领域的研究主题［J］.中国生物医学工程学报，2012，31(4):545-551.GUO Wenjiao，OUYANG Zhaolian，LI Yang，et al.Revealing Theme Structure of Biomedical Engineering UsingCo-Word Analysis ［J］. Chinese Journalof Biomedical Engineering，2012，31(4):545-551.

［3］ 朱安青，周金元.我国科技查新研究热点及趋势分析——共词分析视角［J］.图书情报研究，2009，2(4):45-49.ZHU Anqing，ZHOU Jinyuan.Co-Word Analysis of Sci-Tech Novelty Retrieval Research in China［J］.Library ＆Information Studies，2009，2(4):45-49.

［4］ LIN S M，MCCONNELL P，JOHNSON K F，et al.MedlineR:an open source library in R for Medline literature data mining［J］.Bioinformatics，2004，20(18):3659-3661.

［5］ KRALLINGER M，ERHARDT R A A，VALENCIA A.Text-mining approaches in molecular biology and biomedicine［J］.Drug discovery today，2005，10(6):439-445.

［6］ ZHANG J，JASTRAM I.A study of metadata element cooccurrence［J］.Online Information Review，2006，30(4):428-453.

［7］ 朱杰.生物信息学的研究现状及其发展问题的探讨［J］，生物信息学，2005，3(4):185-188.ZHU Jie.Bioinformatics＇Status in Quo and Its Development in the Future［J］.China journal of Bioinformatics，2005，3(4):185-188.

［8］ 许梅华.基于共词分析的近年国内发展心理学研究热点分析［J］.现代情报，2010，30(8):171-175.XU Meihua. Hot Spots Analysis of China＇ s Developmental Psychology Based on Co-Words Analysis Method［J］.Journal of Modern Information，2010，30(8):171-175.

［9］ 张晗，韩爽，白星，等.利用遗传算法确定医学文献的研究热点［J］.现代图书情报技术，2011，(3):57-61.ZHANG Han，HAN Shuang，BAI Xing，et al.Application of Genetic Algorithm to Identify Hot Topics from Medical Literature［J］.New Technology of Library and Information Service，2011，(3):57-61.

［10］刁雪涛，张小芳，宋洁，等.生物信息学研究进展［J］.安徽农学通报，2008，14(22):160-162.DIAO Xuetao，ZHANG Xiaofang，SONG Jie，et al.Advances in Bioinformatics Research［J］.Anhui Agriculture Science Bulletin，2008，14(22):160-162.

［11］曹利霞，葛淼，何进伟.主成分分析法评估地理分布对成年人肺顺应性参考值的影响［J］.第二军医大学学报，2009，30(1):35-39.CAO Lixia，GE Miao，HE Jinwei.Principal Component Analysis of Geographic Influence on Adult Lung Compliance［J］.Academic Journal of Second Military Medical University，2009，30(1):35-39.

［12］张昆，王乐珩，迟浩，等.蛋白质基因组学:运用蛋白质组技术注释基因组［J］.生物化学与生物物理进展，2013，40(4):297-308.ZHANG Kun，WANG Leheng，CHI Hao，et al.Proteogenomics:Improving Genomes Annotation by Proteomics［J］.Progress in Biochemistry and Biophysics，2013，40(4):297-308.

［13］资治科，孙之荣.系统生物学:面向系统的生物学研究［J］.系统工程理论与实践，2005，(2):47-55.ZI Zhike， SUN Zhirong. SystemsBiology:Systemoriented Biological Research［J］.Systems Engineering-Theory＆ Practice，2005，(2):47-55.

［14］ STEIN L.Genome annotation:from sequence tobiology［J］.Nat Rev Genet，2001，2(7):493-503.

［15］赵海苹，罗玉敏.微波 RNA-144的研究进展［J］.首都医科大学学报，2013，34(1):80-85.ZHAO Haiping，LUO Yumin.Progress in Studies of MicroRNA-144-Associated Diseases and Related Mechanism［J］.Journal of Capital Medical University，2013，34(1):80-85.

［16］王冬冬，朱延明，李勇，等.电子克隆技术及其在植物基因工程中的应用［J］.东北农业大学学报，2006，37(3):403-408.WANG Dongdong， ZHU Yanming， LI Yong， et al.Application of in Silico Cloning Technique in Plant Gene Engineering ［J］. JournalofNortheastAgricultural University，2006，37(3):403-408.

［17］黄子夏，柯才焕，陈军.大规模GO注释的生物信息学流程［J］.厦门大学学报(自然科学版)，2012，51(1):139-143.HUANG Zixia，KE Caihuan，CHEN Jun.Bioinformatics Procedure of Large-Scale GO Annotation ［J］.Journal of Xiamen University(Natural Science)，2012，51(1):139-143.

［18］ BRENT M R.Genome annotation past，present and future:how to define an ORF at each locus.Genome Research.2005，15(12):1777-1786.

［19］赵守盈，吕红云.多维尺度分析技术的特点及几个基础问题［J］.中国考试，2010，(4):13-19.ZHAO Shouying，LÜ Hongyun.The Characteristic and SeveralBasic Problem ofMultidimensionalScaling Analysis［J］.China Examinations，2010，(4):13-19.