1. 引言
科技文献和科学数据都是科学研究的重要组成部分,也是学术信息交流的基本单元。根据2011年欧盟的PARSE Insight研究显示,超过85%的科学家认为将科学数据与论文进行关联是有用的。种质资源(germplasm resource)是生物体内遗传物质的聚集形式。在遗传育种领域,种质资源的定义是一切能够繁殖的具有一定种质或基因的生物类型的总称 [1] 。作为重要的遗传物质,种质资源在农作物的繁育方面有着不可或缺的地位。种质资源担任着保持优良作物性状、改良作物品种的角色。种质资源的实物研究成果具体表现为农产品,形成种质资源数据库。另外,学者的研究还产生了大量的学术论文。学术论文一般是基础理论研究和应用研究的产物,是科学研究的代表性成果,农产品则是实际应用的成果,但是,学术论文与种质资源库现在基本是分离的,种质资源数据库与学术论文之间的交互链接不顺畅,农产品与学术论文的更新有脱节现象,主要体现为以下三个方面:
1) 该领域的科研成果大多是基于已有的农产品繁育、改良而来,所以,有些学术论文中会存在提及已有的种质资源,但并未没有标注和引用其来源及相关的种质资源库数据;
2) 一般来说,学术论文的成果会领先于实际应用,以种质资源为研究对象的学术论文中,大多数论文的研究成果是创新性的、会提出新的种质资源,这些新种质资源在种质资源库中没有档案记录;
3) 种质资源数据库的范围、存贮格式多样化导致了其与学术论文链接的困难。
因此,十分有必要在种质资源领域,研究论文(学术成果)与种质资源数据库(产品成果)交互链接的关系,特别是如何将论文提出的新的种质资源可靠的添加到现有资源库,使农作物的繁育、种质资源的更新改良形成良好的闭环。
科学研究中,常通过表达文献核心内容的关键词或主题词的出现频次确定该领域的研究重点和发展动向。由于一篇文献的关键词或主题词是文献核心内容的浓缩和提炼,因此,如果某一关键词在其领域文献中反复出现,则可认为该关键词或主题词所表征的研究主题即为该领域的研究热点 [2] 。故可将词频分析法应用于种质资源和品种的概念模糊界定中,即通过筛选文献中与二者有关一簇高频词来对一个农作物是否属于品种或种质资源进行判定。K-Means也称快速聚类,属于覆盖型数值划分聚类算法,一般采用数据间的差异程度作为聚类的测度角度,是一种基于划分的方法,该算法的优点是简单易行,并且适用于处理大规模数据 [3] ,因此K-Means可以应用于本研究中对数据库品种的类别划分。CHAID 模型是决策树中一种基本的分类与回归方法 [4] ,是最有效率的数据挖掘方法之一,从大量冗杂的数据集中,自动搜索出隐藏在数据集中具有特殊关系的信息,构建成一颗决策树,获得数据中蕴含的知识信息的过程也提取一系列算法规则的过程,可用于本研究中预测新品种将从属于K-Means算法已聚成的已有类别中的哪一类,并在此过程中分析新品种与数据库中现有品种之间的相似度(关系度)。因此选择K-Means聚类算法和CHAID模型展开本研究,并将二者结合构造对农作物新品种分属归类判别的系统分析方法。
本文的主要工作是根据种质资源数据
库和种质资源领域论文的特点,研究文献中的主题词、关键词等对种质资源数据库的判定规则,并尝试利用此规则将新品与原有数据库进行关联。主要工作分为以下三部分:
1) 数据库选取与信息整合。先对各个数据库进行初步介绍,再通过对这些库中的指标对比研究发现异同点,以马铃薯为例列表说明异同。
2) 文献选择与清洗。通过阅读大量文献,发现在目前的学术文献中,缺少很好的阐述种质资源和品种之间区别的文献,相反可以得出品种是包含于种质资源的这一结论;并且就此通过清洗过程找出符合条件的文献进行与数据库建立关联规则。
3) 文献中新品种信息与数据库的关联。在数据库无法及时更新农作物新品种信息的前提下,本文将利用K-Means模型和CHAID模型间接判断新品种从属于数据库哪一部分。
2. 种质数据库选择与信息整合
2.1. 数据库的选取
种质资源数据库是为了满足育种专家和研究人员对种质资源信息的需求。种质资源数据库,可以实现查询定向培育的有用基因、查找亲本及追踪品种系谱等功能。目前,我国关于种质资源的数据库有中国作物种质信息网、国家农业科学数据共享中心、国家农作物种质资源平台科技资源开放共享目录、中国种业大数据平台、中国农业科学院作物科学研究所、农博数据中心等等。而在本研究中,出于对数据库规模、农业新常态、涵盖范围等三方面的考虑,选取了中国作物种质信息网、中国种业大数据平台以及农博数据中心三个数据库进行研究。
1) 中国作物种质信息网(CGRIS) [5] 。主办单位是中国农业科学院作物科学研究所种质信息研究室,CGRIS是目前世界上最大的植物遗传资源信息系统之一, 拥有粮食、纤维、油料、蔬菜、果树、糖、烟、茶、桑、牧草、绿肥、热作等340多种作物、47万份种质的信息。它包含有9个子系统,包括为国家种质库管理和动态监测、青海国家复份库管理等。CGRIS共存有700多个数据库,涵盖130万条记录。因此,选取该数据库的原因是其拥有数据多,规模较大。
2) 中国种业大数据平台 [6] 。该平台由农业部种子管理局、全国农业技术推广服务中心、农业部科技发展中心、中国农业科学院信息研究所共同打造,是在农业发展步入新常态的背景下,为解决作为农业产业链最上端的种业所面临的机遇与挑战,通过应用大数据理念,不断整合数据资源及建立多部门数据利用协同机制而构建的,并且其与国家农业数据中心和农业信息资源共享服务平台有衔接,是一个会不断更新的数据平台,所以选取这个数据库也是有意义的。
3) 农博数据中心 [7] 。农博数据中心是农博网成功打造的三大特色平台之一,涵盖企业、县市、品种与产品、实用技术、法规标准、人物等六大类别,有丰富的数据、专业的信息和有效的匹配,因此这种被称作行业内人士的百科全书式数据库 [8] 的选取也是有必要的。
2.2. 数据库信息对比及整合
以马铃薯这一品种为例,CGRIS库中有30条项目指标描述,中国种业大数据平台有10条项目指标,农博数据中心则有8条项目指标。在对上述三个具有代表性的数据库进行对比研究后,发现不同的数据库的描述指标有着区别和联系。具体条目不同如下见表1:
Table 1. Database index comparison results
表1. 数据库指标对比结果
本节通过对中国目前现有的三个主要种质资源数据库中种质资源信息描述条目进行梳理,基于最大相似程度且基于描述描述条目的不同类型对其中相异的部分进行了归纳整理,共分为四个部分:关于编号类型的描述条目,关于名称类型的描述条目,关于来源及保存的描述条目以及关于权力类型的描述条目。每个数据库所侧重的指标类型均不同,例如来源及保存类型中,CGRIS主要侧重种质资源来源的地理位置,中国种业大数据平台和农博数据中心则更侧重于育种者及育种单位的介绍,描述相同指标有关于性状表现的指标,如幼苗色、株高、茎粗、穗形等等,此处不再赘述。
3. 基于主题词词频分析法的文献选择与清洗
中国知网 [9] 凭借优质的内容资源、领先的技术和专业的服务,在业界享有极高的声誉为,因此本研究所选取的文献均来源于中国知网。本研究的重点是我国的种质资源,故涉及到的相关学术论文均是中文论文。
3.1. 学术论文主题选取过程
为确定本文高频词阈值选取 [10] 的方法,本文在中国知网中检索“研究、热点”相关的文献。将摘要=“热点”且主题=“词频”,发表时间为2018年和2017年作为检索条件,共得到225条记录,通过人工筛选去除去部分不合要求的文献,最终得到170篇文献。通过提取170篇文献中高频词阈值的方法,并以此为代表,整理目前我国学界常用的高频词阈值选取方法,结果如下。
Table 2. Results of threshold selection methods for commonly used high-frequency words
表2. 常用高频词阈值选取方法结果
由表2可以看出频次选取法 [11] 最为常用,其普遍性最高,因此将此作为本文的高频词阈值选取方法。
为确定与种质资源和品种概念相关的关键词,本文在中国知网中检索“种质资源、品种”相关的文献。将主题=“种质资源”或者主题=“品种”,并且主题=“农作物”作为检索条件,按照主题排序,共得到7285条记录,通过主题贴近的标准选取前2000条文献,然后通过人工筛选去除去部分不合要求的文献,最终得到1955篇文献。应用词频分析法 [12] ,通过python中的结巴词包对这1955篇文献的关键词和摘要进行词频统计。最终发现与农作物种质资源和品种相关的文献研究主题可以分为三类(不同主题热点词见表3):
1) 对作物种质资源中遗传物质的相关研究(生物基因方面);
2) 对农作物品种的某性状的相关研究;
3) 对农作物品种的介绍。
Table 3. Different topic hot words
表3. 不同主题热点词
经筛选可知第三类研究主题才是本文后续研究所需要的文章,结合前面的高频词,本文在中国知网中,以篇名=“筛选”或篇名=“育成”,或篇名=“育种”,或篇名=“选育”,或篇名=“变异”,或篇名=“杂交”,或者篇名=“新品种”,并且主题=“农作物”为检索条件,共得到2267篇文献。进而利用词频分析法对这2267篇文献的摘要进行高频词统计,其中与数据库指标相关且出现频率最高的前十个词如下表4:
Table 4. The top ten most frequent words
表4. 频率最高的前十个词
3.2. 相关文献主题分析总结
由3.1小节中的文献主题分析过程可知,种质资源研究的学术论文主要分为三种类型:对作物种质资源中遗传物质的相关研究;对农作物品种的某性状的相关研究;对农作物品种的介绍。其中主题是农作物品种的介绍的学术论文是本研究所需的论文,继续应用词频分析后得出结论:文献中出现频率最高、与数据库指标关联性最强的十个词中,关于品种的介绍性词汇与数据库中重合度很小,除却几个确定性的指标,如名称和编号等,其余描述种质资源信息的指标在摘要中均无法与库中对应上,因此有必要建立文献与数据库的关联规则,以便新品种出现时将其及时补录进种质资源数据库中。
4. 文献品种信息与数据库信息的关联研究
种质资源数据库与学术论文二者的关联是双向的,但是由于在种质资源的研究中农产品的产出才是目的,所以研究人员一般更关注文章中的信息在数据库中是否更新。现实生活中,从农作物新品种的创造到最终在数据库中添加相关品种条目,往往需要一个漫长的审定过程,而期间往往是相关介绍论文的出现早于数据库的更新。故当一篇有关品种介绍的新文献出现时,通过查询审定编号,人们可以判断数据库中是否存在相关的品种,而目前而言,人们往往可能会在数据库中找不到相关的信息,所以有必要提供一种规则来链接文献和数据库。本文接下来将提供对一个新品种出现时,其应该如何更新入数据库的建议。
4.1. 系统分析算法设计
本节将K-Means聚类算法与CHAID分类算法结合在一起,形成一个系统分析算法,将用于对给出新品种信息插入数据库的建议,具体算法设计见下图1。
首先判断新品种信息是否已在数据库中进行封信,若无,则进行下一步。该系统分析算法首先运用K-Means聚类算法对种质资源数据库信息进行聚类,然后通过CHAID分类算法对文献中新品种信息与数据库中原有种质资源信息进行分类预测,并以此论述种质资源数据库和文献的关联规则,最后给出关于文献中新品种如何更新反映在数据库中的建议。
4.2. 更新数据库——以马铃薯一类为例
马铃薯一直是我国人民的主要食物,其种植面积大,研究范围广,研究时间长,故本文以中国作物种质资源信息网中农作物马铃薯子数据库中所有的品种信息条目作为测试样本集,进行研究,
4.2.1. 基于K-Means模型的马铃薯数据库品种信息分类的实现
首先利用python爬去中国作物种质资源信息网中马铃薯品种的全部数据条目,共得到714条信息记录。其次将这714条数据作为样本集,利用clementine软件中的K-Means模型对其进行聚类,最终聚成四类,具体流程图见图2。
Figure 2. Data flow presentation diagram
图2. 数据流展示图
在714条数据记录中,每条数据均有30个字段属性,其中由于统一编号、品种名称、译名和病毒抗感性无法作为判断品种的依据,故不予以输入,最终以其他的26个字段作为输入变量用以进行K-Means聚类。最终将714数据共聚为4类,结果如下图3。
在所有26个输入指标中,K-Means模型最终选择了上述19个变量作为聚类的依据。其中proximities表格中表示的是cluster-1与其他三类的距离。其中$KMD-K-Means表示的是各样本与本类中心的距离。
4.2.2. 基于CHAID模型对马铃薯新品种分类预测
本文从中国知网选取了15篇2018年最新发布的关于马铃薯新品种的文献,确保其在数据库没有记录后,将文献中的信息按数据库的指标形式整理好后,输入clementine软件中作为测试集,以第一步中分好类的马铃薯数据库条目作为分类样本集,利用CHAID模型对其进行分类预测。
在测试集中共输入十五条数据,每条数据共有17个输入字段,分别是:大小,皮色,肉色,芽眼深浅,皮光滑度,整齐度,丰产性,淀粉含量,病毒抗感性,晚疫病抗性,pvx,pvy,蒸食品质,耐储性,送留单位,其它,省;以及类别作为预测的输出字段,用于判断新品种应从属于第一步中四类中的哪一类。
从clementine软件中可以看出,由卡方检验和F检验可以验证出在17个输入变量中,最重要的6个变量是pvx,pvy,大小,形状,丰产性和皮光滑度,其重要程度见表5。并且最终以此6个变量作为分类的节点。
Table 5. Classification node selection
表5. 分类节点选择
图4说明,在十五个马铃薯新品种中有10个被预测为属于第一类马铃薯,2个预测为属于第二类,3个被预测为第三类。其中$RC-类别一列表示该样本从属该类的概率。以上为对一个新品种应该如何插入数据库的建议,其中无法具体判断新品种应该所属的位置,只能模糊判断它从属于哪一类别,和哪一群马铃薯品种的特性更为接近,从而间接为其如何插入数据库提供初步建议。
4.2.3. 新品种与数据库中品种的相似性判别
在前一部分中,利用CHAID模型可以判断出新品种从属于数据库中的哪一类别,接下来以兴佳3号为例(具体指标见表6),以变量重要性为序对cluster-1中的品种信息进行排序,从而找出数据库中与兴佳3号最为相似的品种。
按照上述条件对cluster-1中的数据进行筛选,最终得到46条马铃薯品种信息,其上述6个指标描述与兴佳3号完全一致,在综合考虑淀粉含量等其他因素,最终找出两个马铃薯品种和兴佳3号联系最为紧密,分别是Avon和Ostara。至此,以上为对兴佳3号如何插入数据库的全部建议。
4.3. 模型效果分析
分类模型中,C5.0模型 [13] 、Discriminant模型 [14] 、CHAID模型等一直为研究人员大量应用于各种研究中。本文以中国作物种质信息网马铃薯子数据库的714条数据记录作为训练集上,分别测试了C5.0、Discriminant、CHAID三个模型,三个模型结果对比如下图5、图6、图7:
Figure 6. Discriminant model result diagram
图6. Discriminant模型结果图
Figure 7. CHAID model result diagram
图7. CHAID模型结果图
从三个图结果我们可以直观的看到C5.0预测准确率为94.4%,Discriminant预测准确率为74.37%,CHAID预测准确率为95.94%,因此,从准确率而言,我们应该选择CHAID模型;从模型运行速度角度考虑,三个模型都能较快运行,差别不显著。
而将C5.0模型和CHAID模型应用到测试集上,发现C5.0模型无法在给出一个未知类别的新样本情况下运行,而CHAID能成功的预测新样本的类别。
因此综合考虑模型准确率、可行性及运行速度,CHAID是作为预测论文中出现的品种与原本数据库中哪类样本最为接近的模型。
5. 结论
本文主要通过对种质数据库信息的整合,运用词频分析法对相关文献进行清洗筛选后,运用K-Means算法和CHAID算法对文献新品种和种质资源数据库给出其关联规则的建议,且系统分析算法模型在准确率、可行性和运行速度方面均令人满意。
但其中的不足主要体现为本研究中输入变量无法量化,其中所有的输入变量不均是数值型变量,故无法对其量化处理,故可能存在偶然性误差。由于本例中输入指标中任何一个都不足以单独作为判断品种类型的指标,故取得输入变量个数不足,导致分类预测仍会存在错误。故今后可以尝试对K-Means模型的算法进行改进,或者利用其他模型例如K中心店模型对聚类结果进行改进;或尝试增加输入指标的个数,因为取得变量个数不足导致判断新品种从属于哪一类还是会有错误,如果将能增加输入变量个数应该能进一步提高准确率,从而进一步完善本文的研究工作。
基金项目
本论文系2018年“中国科学院文献情报领域引进优秀人才计划”择优支持项目、中国科学院文献情报中心重点任务专项:科学文献与科学数据的开放链接服务研究成果。
NOTES
*通讯作者。