基于GC-MS的3种龙胆属植物的代谢差异分析

为明确中药龙胆的可入药植物即龙胆、三花龙胆及条叶龙胆根部活性成分的差异及3种龙胆的叶片是否具有开发利用价值,通过气相色谱-质谱联用(GC-MS)技术进行相关代谢物数据采集,根据非靶向代谢组学对3种龙胆根部及叶片的化学组成成分进行研究。采用无监督模式的主成分分析(PCA)、单变量与多元统计分析相结合的偏最小二乘法(PLS-DA)分析和差异代谢物相对含量的聚类分析。结果表明,PCA可对3种龙胆根部及3种龙胆叶片进行明显的区分;PLS-DA分析及聚类分析结果显示在龙胆、三花龙胆、条叶龙胆根部发现了58种差异代谢物,叶片中发现了46种差异代谢物,其中大部分代谢物在龙胆中的积累量高于三花龙胆及条叶龙胆。通过KEGG富集通路分析发现L-脯氨酸和L-丙氨酸均参与了ABC转运蛋白途径,且这2种代谢物在龙胆根部及叶片中均表现为上调,龙胆在抗逆性能及抵御外界病菌能力上优于三花龙胆及条叶龙胆,因此累积下来的化学成分含量也高于三花龙胆及条叶龙胆。研究结果为中药龙胆药原植物的开发利用提供了理论依据。

中文实体关系抽取研究综述

作为信息抽取任务中极为关键的一项子任务,实体关系抽取对于语义知识库的构建和知识图谱的发展都有着重要的意义。对于中文而言,语义关系更加复杂,实体关系抽取的作用也就愈加显著,因此,对中文实体关系抽取的研究方法进行详细考察极为必要。本文从实体关系抽取的产生和发展开始,对目前基于中文的实体关系抽取技术现状作了阐述;按照关系抽取方法对语料的依赖程度分为4类:有监督的实体关系抽取、无监督的实体关系抽取、半监督的实体关系抽取和开放域的实体关系抽取,并对这4类抽取方法进行具体的分析和比较;最后介绍深度学习在中文实体关系抽取上的应用成果和发展前景。

基于高层语义注意力机制的中文实体关系抽取

实体关系抽取在挖掘结构化事实的信息抽取系统中扮演着重要的角色。近年来,深度学习在关系抽取任务中取得了显著的成果,同时,注意力机制也逐步地融入到神经网络中,进一步提高了关系抽取的性能。但是,目前的注意力机制主要关注一些低层次的特征,比如词汇等。本文提出一种基于高层语义注意力机制的分段卷积神经网络模型(PCNN_HSATT,high-level semantic attention-based piecewise convolutional neural networks),该模型将注意力机制设置在分段最大池化层后,动态地关注了高层次的语义信息。除此之外,由于中文实体关系语料稀疏性较大,本文利用同义词词林对COAE2016语料进行增强以扩大数据规模。最后在COAE2016和ACE2005的中文语料上进行实验,F1值分别达到了78.41%和73.94%,与效果最好的SVM方法相比分别提高了10.45%和0.67%,这充分证明了PCNN_HSATT模型在中文关系抽取上的有效性。