R语言批量处理Pubmed数据库文献信息

一粒沙

发布于 2021-04-19 12:51:25

2.3K0

发布于 2021-04-19 12:51:25

PubMed数据库作为最流行的文献检索数据库。本身提供了很多供用户使用的检索功能，关键词筛选机制。今天给大家介绍一个在R中进行PubMed数据库挖掘的工具包RISmed。其实这个包主要是利用了NCBI提供的API进行功能的封装，操作的简化。更多的详细参数参数可以参见：https://www.ncbi.nlm.nih.gov/books/NBK25499/。另外一个包则是主要进行对pubmed数据库中检索的结果进行进一步的标准化和拆分，主要涉及有摘要英文文本分词、词频统计的功能，摘要内文本基因名的频率统计的功能。首先我们先看下包的安装：

install.packages(“RISmed”)
install.packages(“pumed.mineR”)
devtools::install_github("kassambara/ggpubr")
install.packages(“wordcloud2”)

我们直接通过实例来进行对包中的功能进行演示：

1. 关键词的检索功能。需要用到函数EUtilsSummary()，其中query参数指的是需要检索的关键词，关键词的规则和在PubMed中的一致；db指的是在MCBI中的数据库，当然不限于PubMed；retmax用于设置最大获取量，默认的最大值1000，所以需要根据结果进行设置；mindate和maxdate分别设定检索的开始时间和结束时间。接下来直接看下实例：

key="COVID-19"
data=EUtilsSummary(key,db="pubmed",retmax=122451,mindate=2019,maxdate=2021)

2. 获取上面结果的详细信息。需要用到函数EUtilsGet()。其可以获取文章的所有相关信息，包括PMID（PMID），标题（ArticleTitle），摘要（AbstractText），接收时间（YearAccepted），杂志（Title），文章类型（PublicationType），DOI（DOI），国家（Country），单位（Affiliation）等。我们直接看下实例：

pid=data@PMID
results=EUtilsGet(pid,type="efetch",db="pubmed")

至此，通过RISmed包通过关键词获得了我们想要的数据结果.接下来就是对文本的挖掘。在这里需要用到包pumed.mineR。首先需要搞清楚如何将上面的结果和此包进行对接。在这里用到了S4的一个R的类，这个类主要是两个包之间进行数据传递的纽带。在pumed.mineR中，有一个Abstracts的类，其中包含了Journal，Abstract和PMID三个数据。我们需要将其和前面的数据进行对接并对类进行实例化。直接看实例：

data <- data.frame(
                          pid=results@PMID,
                         Title=ArticleTitle(results),
                         Year=YearAccepted(results),
                          journal=ISOAbbreviation(results),
                         abstract=AbstractText(results),
                         countary=Country(results),
                          doi=DOI(results),
                         Affiliation=Affiliation
                          )
data=data[which(nchar(data$abstract)>20),]#此处主要是对数据进行过滤删掉空的摘要数据
Sys.setlocale("LC_ALL")
adata=new("Abstracts",Journal=data$journal,Abstract=data$abstract,PMID=as.numeric(data$pid))

接下来就是对文本数据进行分析，首先进行摘要的分词处理及可视化：

words=word_atomizations(adata)
library(ggpubr)
ggdotchart(words[1:20,], x ="words", y = "Freq",
          #color = "Freq",                                # Color bygroups
          palette = c("#00AFBB", "#E7B800","#FC4E07"), # Custom color palette
          sorting = "descending",                      # Sort value indescending order
          rotate = TRUE,                                # Rotatevertically
          dot.size = 2,                                 # Large dotsize
          y.text.col = TRUE,                            # Color y text bygroups
          ggtheme = theme_pubr()                        # ggplot2 theme
)+ theme_cleveland()                                      # Adddashed grids