ОНТОЛОГИЧЕСКИ ОРИЕНТИРОВАННАЯ НОРМАЛИЗАЦИЯ ТЕРМИНОВ ФЕНОТИПОВ И ПРИСВОЕНИЕ ГРУПП
https://doi.org/10.53360/2788-7995-2026-3(23)-5
Аннотация
В данной работе рассматривается задача автоматизации обработки терминологических данных с использованием онтологически-ориентированных методов обработки естественного языка. Современные информационные системы всё чаще работают с разнородными и слабо структурированными терминами, представленными в виде списков или текстовых описаний, что существенно усложняет их нормализацию, сопоставление и последующую автоматическую классификацию. Особую актуальность данная проблема приобретает в биомедицинской информатике, где фенотипические описания наследственных заболеваний требуют стандартизированного представления для интеграции в интеллектуальные информационные системы.
В статье предложен ontology-aware NLP алгоритм, направленный на нормализацию терминов и их автоматическое распределение по фиксированному набору семантических групп на основе онтологической модели. Подход объединяет методы извлечения и нормализации сущностей, онтологического связывания и таксономической классификации, обеспечивая формализованное и воспроизводимое представление терминологических данных. В качестве семантической основы используется специализированная онтология PNGO (Phenotype-based Normalized Group Ontology), реализованная в формате OWL 2 и определяющая фиксированный набор из 23 фенотипических групп, привязанных к иерархии Human Phenotype Ontology (HPO).
Предложенный подход представляет собой детерминированную и интерпретируемую альтернативу методам машинного и глубокого обучения, обеспечивая воспроизводимость и семантическую согласованность результатов без необходимости этапа обучения на размеченных данных. Эффективность решения подтверждена экспериментальной оценкой на пяти наследственных заболеваниях (53 фенотипических термина), где алгоритм достиг макроусреднённого показателя F1 = 0,919. Результирующий структурированный профиль пригоден для интеграции в информационные системы, аналитические модули и воспроизводимые вычислительные конвейеры.
Ключевые слова
Об авторах
М. А. СамбетбаеваКазахстан
Мадина Аралбаевна Самбетбаева – Phd, ассоциированный профессор кафедры информационных систем;, ведущий научный сотрудник
050026, Қазақстан Республикасы, Алматы қ., Байзақов көш., 125/185
010008, Қазақстан Республикасы, Астана қ., Сәтбаев көш., 2
В. Б. Барахнин
Россия
Владимир Борисович Барахнин – доктор технических наук; заведующий лабораторией информационных ресурсов Федерального исследовательского центра информационных и вычислительных технологий, профессор факультета прикладной математики и информатики
Новосибирск, Россия, 630087, Немирович-Данченко ул., 136
А. Н. Сұлтанғазиева
Казахстан
Анар Несіпбекқызы Cұлтанғазиева – магистр информатики, докторант Высшая школа информационных технологий и инженерии; младший сотрудник
050026, Қазақстан Республикасы, Алматы қ., Байзақов көш., 125/185
010000, Қазақстан Республикасы, Астана қ., Қабанбай батыр даңғ., 8
Н. К. Мукажанов
Казахстан
Нуржан Какенович Мукажанов – руководитель проекта; PhD, ассоциированный профессор Школы цифровых технологий
050026, Қазақстан Республикасы, Алматы қ., Байзақов көш., 125/185
050035, Қазақстан Республикасы, Алматы қ., Жандосов көш., 55
Р. А. Бегім
Казахстан
Раушан Аянқызы Бегім – магистрант кафедры информационных систем
010008, Қазақстан Республикасы, Астана қ., Сәтбаев көш., 2
Список литературы
1. Uyghur–Kazakh–Kirghiz text keyword extraction based on morpheme segmentation / S. Parhat et al // Information. 2023. – Vol. 14, № 5. – P. 283. https://doi.org/10.3390/info14050283.
2. Hoehndorf R. The role of ontologies in biological and biomedical research: A functional perspective / R. Hoehndorf, P.N. Schofield, G.V. Gkoutos // Briefings in Bioinformatics. – 2015. – Vol. 16, № 6. – P. 1069-1080. https://doi.org/10.1093/bib/bbv011.
3. A review on knowledge graphs for healthcare: Resources, applications, and promises / H. Cui et al // Journal of Biomedical Informatics. – 2025. – Vol. 169. – P. 104861. https://doi.org/10.1016/j.jbi.2025.104861.
4. Explainable artificial intelligence for breast cancer: A visual case-based reasoning approach / J.-B. Lamy et al // Artificial Intelligence in Medicine. – 2019. – Vol. 94. – P. 42-53. https://doi.org/10.1016/j.artmed.2019.01.001.
5. Opportunities and challenges for ChatGPT and large language models in biomedicine and health / S. Tian et al // Briefings in Bioinformatics. – 2024. – Vol. 25, № 1. – P. bbad493. https://doi.org/10.1093/bib/bbad493.
6. Riquelme-García A. Annotation of biological samples data to standard ontologies with support from large language models / A. Riquelme-García, J. Mulero-Hernández, J.T. Fernández-Breis // Computational and Structural Biotechnology Journal. – 2025. – Vol. 27. – P. 2155-2167. https://doi.org/10.1016/j.csbj.2025.02.018.
7. Deep learning in clinical natural language processing: A methodical review / S. Wu et al // Journal of the American Medical Informatics Association. – 2020. – Vol. 27, № 3. – P. 457-470. https://doi.org/10.1093/jamia/ocz200.
8. Arora A. Named entity recognition for clinical text: A review / A. Arora, E. Nyberg, C.P. Rosé // Artificial Intelligence in Medicine. – 2021. – Vol. 113. – P. 102039. https://doi.org/10.1016/j.artmed.2021.102039.
9. Clinical natural language processing in languages other than English: Opportunities and challenges / A. Névéol et al // Journal of Biomedical Semantics. – 2020. – Vol. 11. – P. 12. https://doi.org/10.1186/s13326-020-00239-7.
10. Lu Z. Large language models in biomedicine and health / Z. Lu, Y. Peng // Journal of the American Medical Informatics Association. – 2024. – Vol. 31, № 8. – P. 1801-1811. https://doi.org/10.1093/jamia/ocae089.
11. BioPortal: An open community resource for sharing, searching, and utilizing biomedical ontologies / J. Vendetti et al // Bioinformatics. – 2025. – Vol. 41, № 2. – P. gkaf402. https://doi.org/10.1093/bioinformatics/gkaf4020.
12. Biomedical knowledge graph–optimized prompt generation for large language models / K. Soman et al // Bioinformatics. – 2024. – Vol. 40, № 9. – P. btae560. https://doi.org/10.1093/bioinformatics/btae560.
13. A survey on unifying large language models and knowledge graphs in biomedicine / R. Xu et al // Bioinformatics. – 2025. – Vol. 41, No. 1. – P. btaf018. – DOI: 10.1093/bioinformatics/btaf018
14. Nicholson D. N., Greene C. S. Constructing knowledge graphs and their biomedical applications // Computational and Structural Biotechnology Journal. – 2020. – Vol. 18. – P. 1414-1428. – DOI: 10.1016/j.csbj.2020.05.017
15. Hogan A., Blomqvist E., Cochez M. [et al.]. Knowledge graphs // ACM Computing Surveys. – 2021. – Vol. 54, No. 4. – P. 1-37. – DOI: 10.1145/3447772
Рецензия
Для цитирования:
Самбетбаева М.А., Барахнин В.Б., Сұлтанғазиева А.Н., Мукажанов Н.К., Бегім Р.А. ОНТОЛОГИЧЕСКИ ОРИЕНТИРОВАННАЯ НОРМАЛИЗАЦИЯ ТЕРМИНОВ ФЕНОТИПОВ И ПРИСВОЕНИЕ ГРУПП. Вестник Университета Шакарима. Серия технические науки. 2026;(3(23)):42-53. https://doi.org/10.53360/2788-7995-2026-3(23)-5
For citation:
Sambetbayeva М.А., Barakhnin V.B., Sultangaziyeva A.N., Mukazhanov N.K., Begim R.A. ONTOLOGY-AWARE FOR PHENOTYPE TERM NORMALIZATION AND GROUP ASSIGNMENT. Bulletin of Shakarim University. Technical Sciences. 2026;(3(23)):42-53. https://doi.org/10.53360/2788-7995-2026-3(23)-5
JATS XML















