ОНТОЛОГИЯҒА БАҒЫТТАЛҒАН ФЕНОТИП ТЕРМИНДЕРІН НОРМАЛДАНДЫРУ МЕН ТОПТАСТЫРУҒА АРНАЛҒАН ӘДІСТЕР
https://doi.org/10.53360/2788-7995-2026-3(23)-5
Аңдатпа
Бұл жұмыста терминологиялық деректерді өңдеуді автоматтандыру мәселесі онтологияға бағытталған табиғи тілдерді өңдеу әдістерін қолдану арқылы қарастырылады. Қазіргі ақпараттық жүйелер әртүрлі және әлсіз құрылымдалған терминдермен жұмыс істейді, олар көбінесе тізімдер немесе мәтіндік сипаттамалар түрінде ұсынылады, бұл олардың нормалдануын, салыстырылуын және кейінгі автоматты жіктелуін қиындатады. Бұл мәселе биомедициналық информатикада ерекше өзектілікке ие, өйткені тұқым қуалайтын аурулардың фенотиптік сипаттамалары интеллектуалды ақпараттық жүйелерге интеграция үшін стандартталған көріністі талап етеді.
Мақалада онтологияға негізделген NLP алгоритмі ұсынылған, ол терминдерді нормалдандыруға және оларды онтологиялық модель негізінде алдын ала анықталған 23 семантикалық топ жиынтығына автоматты түрде бөлуге бағытталған. Ұсынылған тәсіл мәндерді шығару және нормалдандыру, онтологиялық байланыстыру және таксономиялық жіктеу әдістерін біріктіре отырып, терминологиялық деректердің формалданған және қайта жаңғыртылатын көрінісін қамтамасыз етеді. Семантикалық негіз ретінде OWL 2 форматында жүзеге асырылған және Human Phenotype Ontology (HPO) иерархиясына байланған 23 фенотиптік топтың бекітілген жиынтығын анықтайтын PNGO (Phenotype-based Normalized Group Ontology) мамандандырылған онтологиясы қолданылады.
Ұсынылған тәсіл машиналық және терең оқыту әдістеріне детерминирленген және интерпретацияланатын балама болып табылады, таңбаланған деректерде оқыту кезеңінсіз нәтижелердің қайта жаңғыртылуын және семантикалық сәйкестігін қамтамасыз етеді. Шешімнің тиімділігі бес тұқым қуалайтын ауру бойынша (53 фенотиптік термин) эксперименттік бағалаумен расталған, мұнда алгоритм макро-орташаланған F1 = 0,919 көрсеткішіне қол жеткізді. Нәтижелі құрылымдалған профиль ақпараттық жүйелерге, аналитикалық модульдерге және қайта орындалатын есептеу конвейерлеріне енгізуге жарамды.
Авторлар туралы
М. А. СамбетбаеваҚазақстан
Мадина Аралбайқызы Самбетбаева – PhD, Ақпараттық жүйелер кафедрасының қауымдастырылған профессоры;
жетекші ғылыми қызметкері
050026, Қазақстан Республикасы, Алматы қ., Байзақов көш., 125/185
010008, Қазақстан Республикасы, Астана қ., Сәтбаев көш., 2
В. Б. Барахнин
Ресей
Владимир Борисович Барахнин – техника ғылымдарының докторы; Ақпараттық және есептеу
технологиялары жөніндегі федералдық зерттеу орталығының Ақпараттық ресурстар зертханасының
меңгерушісі; Қолданбалы математика және информатика факультетінің профессоры
Ресей, Новосибирск қ., 630087, Немирович-Данченко көш., 136
А. Н. Сұлтанғазиева
Қазақстан
Анар Несіпбекқызы Сұлтанғазиева – информатика магистрі, Ақпараттық технологиялар және инженерия жоғары мектебінің докторанты; кіші ғылыми қызметкері,
050026, Қазақстан Республикасы, Алматы қ., Байзақов көш., 125/185
010000, Қазақстан Республикасы, Астана қ., Қабанбай батыр даңғ., 8
Н. К. Мукажанов
Қазақстан
Нұржан Кәкенұлы Мукажанов – жоба жетекшісі, PhD, Цифрлық технологиялар мектебінің қауымдастырылған профессоры
050026, Қазақстан Республикасы, Алматы қ., Байзақов көш., 125/185
050035, Қазақстан Республикасы, Алматы қ., Жандосов көш., 55
Р. А. Бегім
Қазақстан
Раушан Аянқызы Бегім – Ақпараттық жүйелер кафедрасының магистранты
010008, Қазақстан Республикасы, Астана қ., Сәтбаев көш., 2
Әдебиет тізімі
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
Дәйектеу үшін:
Самбетбаева М.А., Барахнин В.Б., Сұлтанғазиева А.Н., Мукажанов Н.К., Бегім Р.А. ОНТОЛОГИЯҒА БАҒЫТТАЛҒАН ФЕНОТИП ТЕРМИНДЕРІН НОРМАЛДАНДЫРУ МЕН ТОПТАСТЫРУҒА АРНАЛҒАН ӘДІСТЕР. Шәкәрім Университетінің Хабаршысы. Техникалық ғылымдар сериясы. 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















