如何通过机器学习更好的查找自己想要的文献
对于pubmed检索而言，相信很多人在刚开始使用的时候，会发现，在pubmed当中检索的结果好多都不是我们想要的。感觉有时候根本就不懂我们想要什么内容。如果有这样的困扰的话，可以尝试一下litsuggest(https://www.ncbi.nlm.nih.gov/research/litsuggest/)
数据库运算过程
LitSuggest是一个利用机器学习的算法来输入的文献，进而构建一个基于输入文献的模型，用这个模型用来预测其他文献是否和之前的文献相关。
数据库使用
在LitSuggest当中，每一个新的模型构建，就需要创建一个新的项目。我们可以点击New Project来创建新的项目。
在这里我们可以修改这个项目的标题以及具体的描述。例如，这里我们的目标是想要筛选在线的数据库。所以就把题目和描述修改一下。同时对于之后检索的文献，可以添加一个标签，在LitSuggest当中，默认的是三个标签：Relevant; Irrelevant; TBD。如果觉得不合适也可以自己修改。
在项目进行了基本设置之后，就需要来训练我们的模型了。
对于机器学习而言，如果要进行分析之前首先还是需要做一部分人工的工作，我们要检索的一部分文献来简单的筛选一下，把筛选的文献分成，我们关注的(Positive PMIDs)，以及我们不关注的(Negative PMDIs)。在输入的时候，可以对于Positive是必须要输入的。而对于negative可以不输入。
这里，我们把之前21.05汇总的在线数据库的结果的相关PMIDs，输入当Positive.
输入PMIDs之后，点击Train即可获得一个模型。在经过短暂的等待之后，模型就建好了。
模型建好之后，就可以对新的检索式来进行寻找符合自己标准的文献了。数据库提供了两种方式，一种是自己下载PMIDs来进行查询，另外一种则可以直接进行关键词检索，例如我们想要寻找和m6A相关的数据库的话，就可以检索m6A。
在选择好之后，点击Classify就可以得到相关的分析的结果了。在结果当中，通过相关性来对所有的文献进行了分类。在图中可以看到，检索的文献有差不多60篇和预测是很相关的。
同时也可以看到默认的相关文献的词云图。
再往下就是具体哪些文献是相关的，哪些不是相关的了。简单的看了一下，基本上筛选出来的相关的在线数据库的。
总的来说
以上就是这个工具的主要使用方法了，如果有自己特定的方向，也在看过了一些文献之后，得到了自己关注的文献，就可以构建自己的模型的哈。同时LitSuggest还提供了每周自动检索文献的功能。这样就可以得到类似于RSS的功能了。
