Төртінші нөмірге барлық бағыттар бойынша мақалалар қабылдау аяқталды.

Приём статей в четвёртый номер по всем направлениям закрыт.

Submissions for the fourth issue are now closed across all subject areas.

Preview

Вестник Университета Шакарима. Серия технические науки

Вестник Университета Шакарима. Серия технические науки

Расширенный поиск

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.

Об авторах

М. А. Самбетбаева
«Q» University; Л.Н. Гумилев атындағы Еуразия ұлттық университеті
Казахстан

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
Новосибирск мемлекеттік техникалық университеті
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
«Q» University; Astana International University
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
«Q» University; Narxoz University
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
Л.Н. Гумилев атындағы Еуразия ұлттық университеті
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

Просмотров: 14

JATS XML


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2788-7995 (Print)
ISSN 3006-0524 (Online)
X