在靶点发现过程中，PandaOmics 的自然语言处理（NLP）模型通过以下方式评估潜在靶点的新颖性以及与疾病的关联性：
-
数据收集与整合：NLP 模型首先会收集涵盖专利、出版物、研发基金、临床试验等来源的数百万个文本文件1。这些文本数据包含了丰富的生物学、医学知识以及药物研发相关的信息，为后续的分析提供了坚实的基础。
-
文本挖掘与信息提取：运用自然语言处理技术对文本进行挖掘，提取出与潜在靶点、疾病相关的关键信息，例如基因名称、疾病术语、分子机制描述、研究结论等。通过对大量文本的分析，识别出其中提到的各种靶点以及它们与不同疾病的关系，同时也会关注文本中对靶点新颖性的描述或暗示。
-
新颖性评估：
-
与已有知识对比：将提取到的潜在靶点信息与现有的生物学知识图谱、已有的靶点数据库等进行对比。如果某个潜在靶点在以往的研究中很少被提及，或者其作用机制与已知靶点有明显差异，那么它在新颖性方面就可能得分较高。
-
分析专利和研发基金：关注专利中是否有关于该靶点的独特声明，以及研发基金所支持的研究方向是否涉及到该靶点的创新性研究。如果一个靶点是新专利的核心内容，或者是近期研发基金重点支持的新颖研究方向，那么它具有较高新颖性的可能性较大。
-
疾病关联性评估：
-
语义分析：通过语义理解技术，分析文本中描述的潜在靶点与疾病之间的语义关系。例如，查看是否明确提及靶点与疾病的因果关系、相关性，或者靶点在疾病发生发展过程中的作用机制等内容。如果文本中详细阐述了靶点如何参与疾病的病理生理过程，那么可以认为该靶点与疾病的关联性较强。
-
共现分析：统计潜在靶点与疾病在文本中共同出现的频率和上下文信息。如果一个靶点与某种疾病在多篇文献、临床试验报告等文本中频繁共现，并且在不同的研究中都显示出一定的关联趋势，那么说明该靶点与疾病之间存在较强的关联性。
-
知识图谱构建与推理：利用提取到的信息构建生物学知识图谱，将潜在靶点、疾病、相关分子通路等信息整合到一个网络中。通过知识图谱的推理算法，分析靶点与疾病之间的间接联系，例如是否通过某些中间分子或通路相互关联。这种方式可以挖掘出一些隐藏在海量文本中的潜在关联信息，进一步评估靶点与疾病的关联性。
通过以上综合的分析方法，PandaOmics 的 NLP 模型能够对潜在靶点的新颖性以及与疾病的关联性进行全面、系统的评估，为药物研发提供有价值的靶点信息，帮助研究人员确定最具潜力的靶点进行后续的药物开发工作