はじめに
論文のトレンド解析であったり、個別の論文情報、主に要旨（Abstract）を取得してみた。
もう少し発展させて、Abstractの英文テキストの和訳をして、Rmarkdownのレポート作成するまでをやってみた。
今回扱う、RISmed パッケージは、PubMedを含むNational Center for Biotechnology Information （NCBI: アメリカ国立生物工学情報センター）のデータベースから論文情報を抽出するためのツール群である*1。
また、Abstractのテキスト和訳には、以前の記事で紹介した、Pythonの googletrans ライブラリを使用する。
skume.hatenablog.com
Rパッケージのセットアップ
６つのRパッケージをインストール・ロードしておく。
if(!require("RISmed")){install.packages("RISmed")}; library(RISmed)
if(!require("magrittr")){install.packages("magrittr")}; library(magrittr)
if(!require("purrr")){install.packages("purrr")}; library(purrr)
if(!require("plotly")){install.packages("plotly")}; library(plotly)
if(!require("progress")){install.packages("progress")}; library(progress)
if(!require("reticulate")){install.packages("reticulate")}; library(reticulate)
RISmedパッケージで主に使用する関数は、EUtilsSummaryとEUtilsGetである。
EUtilsSummary: NCBIのデータベースに対するクエリの結果の概要情報を取得する関数。
EUtilsGet: NCBIのデータベースに対する検索結果をダウンロードする関数。
PubMed全体でキーワード検索をやってみる
"3d electron microscopy" （3D電顕）をキーワードに検索してみる。
SearchTerm <- "3d electron microscopy"
esearchResults <- SearchTerm %>%
EUtilsSummary(query=., type="esearch", db="pubmed", retmax=10000)
summary(esearchResults)
str(esearchResults)
次に、2020年の掲載論文に対して、キーワード検索を行ってみる。
Year <- 2020
SearchTerm <- "3d electron microscopy"
esearchResults2020 <- SearchTerm %>%
EUtilsSummary(query=., type="esearch", db="pubmed", mindate=Year, maxdate=Year, retmax=10000)
QueryCount(esearchResults2020)
esearchResults2020@count
次に、ヒットしたPMID*2をもとに、論文情報（雑誌名、論文タイトル、Abstract、MeSHとか）を検索してみる。
PubID <- QueryId(esearchResults2020)
PubID
PubIDResults <- PubID[1] %>%
EUtilsGet(type="efetch", db="pubmed")
PubIDResults
Mesh(PubIDResults)
MeSH (Medical Subject Headings) は、米国国立医学図書館 (National Library of Medicine; NLM)で定める生命科学用語集（シソーラス）である。調べた論文はNAだったが、文献の内容を表す適切なMeSH用語を10〜15個程度文献に付与し、この用語により文献を検索・管理できるようにしているらしい*3。
Results <- list(PubIDResults@PMID,
PubIDResults@Author,
PubIDResults@Title,
PubIDResults@ArticleTitle,
PubIDResults@AbstractText)
データをリスト化しておく、データ表示については後述する。
少し脱線して、年ごとの論文数をまとめてみた
年ごとの論文数をまとめることで、そのキーワードの研究トレンドを把握できると考えられる。
そこで、対象キーワードの年ごとの論文数を集計する関数を導入する。
PubNumber <- function(i){
r <- EUtilsSummary(terms, type='esearch', db='pubmed', mindate=i, maxdate=i)
return(QueryCount(r))
}
この関数に対して、map関数で、年数のベクトル値（i）とキーワード（terms）を与えてあげると、年ごとの論文数を検索できる。
コロナウィルス（Coronavirus）をキーワードに、1970-2020年の１年ごとで論文数を検索して、可視化みる。
terms <- "Coronavirus"
Years <- 1970:2020
PubNum <- purrr::map(Years, PubNumber)
Data <- data.frame(Years, PubNumber=unlist(PubNum))
fig <- plot_ly(Data, x = ~Years, y = ~PubNumber, type = 'bar', name = 'Publications',
marker = list(color = 'rgb(158,202,225)', line = list(color = 'rgb(8,48,107)', width = 1)))
fig <- fig %>% layout(title = paste("Number of PubMed articles containing ", terms, sep=""),
yaxis = list(title = 'Count'),
xaxis = list(title = "Year"))
fig
今年すでに論文数が１０倍以上に爆増している。。。*4
さらに、ディープラーニング（Deep learning）について同じく検索してみる。
terms <- "deep learning"
Years <- 1970:2020
PubNum <- purrr::map(Years, PubNumber)
Data <- data.frame(Years, PubNumber=unlist(PubNum))
fig <- plot_ly(Data, x = ~Years, y = ~PubNumber, type = 'bar', name = 'Publications',
marker = list(color = 'rgb(158,202,225)', line = list(color = 'rgb(8,48,107)', width = 1)))
fig <- fig %>% layout(title = paste("Number of PubMed articles containing ", terms, sep=""),
yaxis = list(title = 'Count'),
xaxis = list(title = "Year"))
fig
2015-2016年あたりから、生命科学分野でのディープラーニングの応用が目覚ましいものといえる。
いちおう、この検索とグラフ化を１つの関数にしたので、以下の２行で同じことが実行できる（はず）。
source("https://gist.githubusercontent.com/kumeS/a9e612c6bb484451e6328f119fd9ef56/raw/481884897a54e51bc67b7dbd794fcfe9404a8166/PublicationPerYear.R")
PublicationPerYear(Term="deep learning")
本題に入って、googletransによる論文情報の和訳とレポート作成をやってみる
さきほどResultsにリストとして格納した論文情報を和訳してみる。
translatedResults <- Results
reticulate::use_python("/usr/local/bin/python", required =T)
gt <- reticulate::import(module = "googletrans")$Translator()
TEXT01 <- gsub(""", "", translatedResults[[5]])
translateResults01 <- gt$translate(text=Results[[3]], src="en", dest='ja')
translateResults02 <- gt$translate(text=Results[[4]], src="en", dest='ja')
translateResults03 <- gt$translate(text=TEXT01, src="en", dest='ja')
"CutText" <- function(x){
strsplit(strsplit(as.character(x), ", text=")[[1]][2], ", pronunciation=")[[1]][1]
}
translatedResults[[3]][2] <-CutText(translateResults01)
translatedResults[[4]][2] <-CutText(translateResults02)
translatedResults[[5]][2] <-CutText(translateResults03)
translatedResults
変数のままだと、テキストが読みにくいので、RMarkdownでhtmlファイルを生成してみる。
以前の記事に倣って、wgetはインストールしておくこと。
skume.hatenablog.com
system('wget https://gist.githubusercontent.com/kumeS/8a4410c7f9d07a0b49192bcda4bf1e03/raw/b8db496b0c13fa98affd654f03d45e17cf41ea08/Basic_report_jpn.Rmd')
rmarkdown::render("Basic_report_jpn.Rmd",
output_format = "html_document",
output_file = "output.html")
browseURL("output.html")
こんな感じの簡易Rmarkdownレポートが出力される。
まとめ
トレンド解析とともに、論文のサーチを定期的にちゃんとやるきっかけになればと期待したい。
全Rコード in gist
To search the PubMed DB and translate the abstract to the Japanese text. · GitHub
補足
MEDLINEタグ情報*5
PubMedで、文献検索を行うときに、検索クエリに語句を記入して検索すると、タイトル、要旨、著者、MeSH等どこかに含まれる文献が検索される。
雑誌名に限定したい場合や、タイトルに限定したい場合は、タグを指定することで限定できる。
例えば、"cancer"[TA] とすることで、cancer という雑誌で指定できる。応用として、AND、OR、NOT を使って2つ以上の検索結果の論理積・論理和・論理否定も求められる。論理式は大文字で書くことでキーワードと区別される。
PubMedにおける主要なタグ
| データフィールド |
タグ |
説明 |
| Affiliation |
[AD] |
筆頭著者の所属機関 |
| All Fields |
[ALL] |
全てのフィールド |
| Author |
[AU] |
著者。名字+名前の頭文字。徳川家康なら"Tokugawa I"[AU]。名字だけでもOK |
| First Author |
[1AU] |
筆頭著者 |
| Publication Date |
[DP] |
発行日、2001[DP]等で指定 |
| Full Author Name |
[FAU] |
著者のフルネーム |
| Last Author |
[LASTAU] |
最終著者 |
| MeSH Terms |
[MH] |
MeSH用語で付与された文献の主題 |
| MeSH Major Topic |
[MAJR] |
MeSH用語で付与される10～15の主題のうち、2つ程度の主要用語 |
| Page Number |
[PG] |
ページ |
| PMID |
[PMID] |
PubMed登録番号 |
| Journal |
[TA], [JO] |
雑誌名 |
| Title |
[TI] |
タイトル |
| Title/Abstract |
[TIAB] |
タイトルあるいは要旨 |
| Text word |
[TW] |
テキスト本文 |
参考文献
rpubs.com
datascienceplus.com
amunategui.github.io
stackoverflow.com
plotly.com
