mbi000509
10.3205/mbi000509
urn:nbn:de:0183-mbi0005099
Fachbeitrag
Drug-Disease-Networks: Innovatives PubPharm-Recherchetool
Drug-Disease-Networks: Innovative search tool for PubPharm
Draheim
Draheim
Christina
C
Technische Universität Braunschweig, Universitätsbibliothek, Universitätsplatz 1, 38106 Braunschweig, DeutschlandTechnische Universität Braunschweig, Universitätsbibliothek, Braunschweig, Deutschland
c.draheim@tu-braunschweig.de
author
Wawrzinek
Wawrzinek
Janus
J
Technische Universität Braunschweig, Institut für Informationssysteme, Braunschweig, DeutschlandTechnische Universität Braunschweig, Institut für Informationssysteme, Braunschweig, Deutschland
author
Wulle
Wulle
Stefan
S
Technische Universität Braunschweig, Universitätsbibliothek, Braunschweig, DeutschlandTechnische Universität Braunschweig, Universitätsbibliothek, Braunschweig, Deutschland
author
Balke
Balke
Wolf-Tilo
WT
Technische Universität Braunschweig, Institut für Informationssysteme, Braunschweig, DeutschlandTechnische Universität Braunschweig, Institut für Informationssysteme, Braunschweig, Deutschland
author
German Medical Science GMS Publishing House
Düsseldorf
610
pharmacy
specialised information services
PubPharm
discovery system
machine learning
Pharmazie
Fachinformationsdienste
PubPharm
Discovery System
maschinelles Lernen
Online-Jahrestagung der AGMB 2021
20211220
germ
This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License.
Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung).
1865-066X
21
3
GMS Medizin - Bibliothek - Information
GMS Med Bibl Inf
Online-Jahrestagung der AGMB 2021
20
In enger Zusammenarbeit zwischen der Universitätsbibliothek und dem Institut für Informationssysteme der Technischen Universität Braunschweig im Fachinformationsdienst Pharmazie entstehen innovative Recherchetools, die neue Zugriffspfade für unterschiedliche Informationsressourcen bieten. In der informatorischen Grundlagenforschun<![CDATA[g w</PlainText></TextGroup>erden Prototypen entwickelt und diese von Fokusgruppen der Fachcommunity evaluiert. Erfolgreiche Services werden anschließend in die frei verfügbare Rechercheplattform PubPharm (<Hyperlink href="https://www.pubpharm.de">https://www.pubpharm.de</Hyperlink>) implementiert. </Pgraph><Pgraph>Mithilfe von künstlicher Intelligenz, im Detail mit neuronalen Netzen, können Beziehungen zwischen pharmazierelevanten Entitäten, d.h. klar abgrenzbaren Konzepten wie Wirkstoffen, Erkrankungen und Genen, auf Basis von Forschungsliteratur ermittelt werden. Aus dieser Forschungstätigkeit am Institut für Informationssysteme ist bereits eine Funktion in PubPharm eingegangen: die Anzeige von Vorschlagslisten kontextähnlicher, verwandter Substanzen, Erkrankungen/Sympt<TextGroup><PlainText>ome un</PlainText></TextGroup>d Gene bei einer Suche nach Wirkstoffen bzw. Erkrankungen. Eine Erweiterung dieser Funktion sind die neu integrierten Drug-Disease-Networks. Durch Visualisierung der z.T. komplexen Beziehungen zwischen den Entitäten können diese leichter interpretiert werden. Weiterführende Informationen können über Verlinkungen zu externen Datenquellen (u.a. Comparative Toxicogenomics Database und DrugBank) erhalten werden. </Pgraph></Abstract>
<Abstract language="en" linked="yes"><Pgraph>In the Specialised Information Service Pharmacy, the cooperation between the University Library and the Institute for Information Systems at Technische Universität Braunschweig results in innovative data retrieval services. Based on basic information technology research, prototypes are developed and evaluated by focus groups of the pharmaceu<TextGroup><PlainText>ti</PlainText></TextGroup>cal research community. Upon successful prototype optimisation, services are implemented in the freely available search platform <TextGroup><PlainText>PubPharm</PlainText></TextGroup> (<Hyperlink href="https://www.pubpharm.de">https://www.pubpharm.de</Hyperlink>). </Pgraph><Pgraph>Recent artificial intelligence models (in detail neural networks) can automatically determine associations between pharmaceutical entities (i.e. clearly definable concepts such as active ingredients, diseases and genes) based on research literature. This research activity at the Institute for Information Systems resulted already in a web service for PubPharm: listing contextualised substances, diseases or genes when searching <TextGroup><PlainText>for active</PlainText></TextGroup> substances or diseases/symptoms. The Drug-Disease-Networks complement this suggestion function and visualise the partly complex entity relationships supporting their interpretation. Links to external data sources, e.g., Comparative Toxicogenomics Database and <TextGroup><PlainText>DrugBank</PlainText></TextGroup>, provide further information.</Pgraph></Abstract>
<TextBlock linked="yes" name="1 Kooperation zwischen Universitätsbibliothek und forschender Informatik im Fachinformationsdienst Pharmazie">
<MainHeadline>1 Kooperation zwischen Universitätsbibliothek und forschender Informatik im Fachinformationsdienst Pharmazie</MainHeadline><Pgraph>Der Fachinformationsdienst (FID) Pharmazie wird seit 2015 von der Deutschen Forschungsgemeinschaft (DFG) im Förderprogramm „Fachinformationsdienste für die Wissenschaft“ unterstützt. Ziel dieses Projektes ist es, die Literatur- und Informationsversorgung für die univer<TextGroup><PlainText>s</PlainText></TextGroup>itäre pharmazeutische Forschung signifikant zu verbessern, was die Weiterentwicklung der Informationsin<TextGroup><PlainText>fras</PlainText></TextGroup>truktur, die Erforschung und Implementierung innovativer Recherchedienste und die Verbesserung des Volltextzu<TextGroup><PlainText>g</PlainText></TextGroup>riffs umfasst <TextLink reference="1"></TextLink>.</Pgraph><Pgraph>Die Rechercheplattform PubPharm (<Hyperlink href="https://www.pubpharm.de">https://www.pubpharm.de</Hyperlink>), ein Service des FID Pharmazie, wird in enger Abstimmung mit der pharmazeutischen Fachcommunity weiterentwickelt <TextLink reference="1"></TextLink>, <TextLink reference="2"></TextLink>. Eine Herausforderung ist dabei die Interdisziplinarität des Faches. Über die Kerndisziplinen Pharmazeutische und Medizinische Chemie, Pharmazeutische Biologie, Pharmazeutische Technologie, Pharmakologie und Klinische Pharmazie hinaus, gibt es vielfach Überschneidungen zu angrenzenden Fächern, u.a. (Bio-)Chemie, Biotechnologie, Molekularbiologie, weitere Lebenswissenschaften, aber auch Verfahrenstechnik. Eine fachspezifische Anforderung an PubPharm ist daher eine möglichst breite inhaltliche Abdeckung der Publikationen dieser Fächer, und dies über die klassische Literatur hinaus z.B. auch etwa durch den Nachweis von klinischen Studien und Patenten. Ein Überblick über die aktuellen PubPharm-Inha<TextGroup><PlainText>lte und -Fu</PlainText></TextGroup>nktionen wird in Abschnitt 2 gegeben.</Pgraph><Pgraph>Entscheidend für die Akzeptanz in der Fachcommunity ist nun, dass die Recherche nach Wirkstoffen (bzw. biologisch aktiven Verbindungen) in der unübersehbar großen Anzahl von Ressourcen – bedingt durch die inhaltliche Breite – optimiert wird. Dazu dienen die in PubPharm als Alleinstellungsmerkmale angebotenen innov<TextGroup><PlainText>ativen Su</PlainText></TextGroup>chservices. Diese wurden und werden vom Institut für Informationssysteme (IfIS) der Technischen Univers<TextGroup><PlainText>ität Bra</PlainText></TextGroup>unschweig prototypisch unter begleitender Einbindung von Forschenden der Pharmazie entwickelt <TextLink reference="2"></TextLink>. Die Universitätsbibliothek Braunschweig bringt dabei die Forschenden der Pharmazie mit der forschenden Informatik (IfIS) zusammen. Diese enge Kooperation zwischen der Universitätsbibliothek und dem IfIS gewährleistet, dass nicht an den Anforderungen des Faches vorbei geforscht und entwickelt wird. Nach positiver Evaluierung durch die Fachcommunity werden neue Services in PubPharm implementiert. </Pgraph><Pgraph>Die enge Verzahnung zwischen der Bibliothek als Garant für nachhaltig betriebene Informationsinfrastruktur und der informationsfachlichen Forschung am IfIS zur Neu- und Weiterentwicklung von Diensten ist zukunftsweisend. Daraus sind partnerschaftlich entwickelte Services mit hohem Innovationsgrad erwachsen: Durch Erschließung und semantische Anreicherung pharmazeutischer Ressourcen (siehe auch Abschnitt 3) wird die Fachcommunity bei wirkstoffbezogenen Recherchen signifikant unterstützt, z.B. durch die interaktiven Drug-Disease-Networks. Die Entwicklung dieser von der Idee bis zum stabilen Webservice und die aktuell in der BETA-Version verfügba<TextGroup><PlainText>r</PlainText></TextGroup>en Funktionen werden in Abschnitt 3 vorgestellt.</Pgraph></TextBlock>
<TextBlock linked="yes" name="2 Die Rechercheplattform PubPharm – aktuelle Inhalte und Funktionen">
<MainHeadline>2 Die Rechercheplattform PubPharm – aktuelle Inhalte und Funktionen</MainHeadline><Pgraph>Die Rechercheplattform PubPharm vereinigt unterschiedlichste für die Pharmazie relevante Datenquellen in einer Suchoberfläche. Diese werden kontinuierlich aktualisiert und erweitert. Aktuell kann mit nur einer Suchanfrage in über 55 Millionen Nachweisen recherchiert werden: ca. 32 Millionen Publikationen aus der biomedizinis<TextGroup><PlainText>chen D</PlainText></TextGroup>atenbank Medline/PubMed <TextLink reference="3"></TextLink>, weitere Artikel aus Fachzeitschriften (u.a. der Chemie, Pharmakologie und Toxikologie), Artikel angrenzender Disziplinen der Pharmazie, fachspezifische Bücher (darunter E-Books und Dissertationen), Konferenzschriften, Informationen zu klinischen Studien aus dem Studienregister ClinicalTrials.go<TextGroup><PlainText>v </PlainText><TextLink reference="4"></TextLink><PlainText> un</PlainText></TextGroup>d der International Clinical Trials Registry Platform (ICTRP) <TextLink reference="5"></TextLink> der Weltgesundheitsorganisation und ein fachspezifischer Ausschnitt an Patenten des Europäischen Patentamtes <TextLink reference="6"></TextLink>. Durch die breite inhaltliche Abdeckung, die quantitativ weit über die im Fach etablierten Datenbanken hinausgeht, kann PubPharm nicht nur für die pharmazeu<TextGroup><PlainText>t</PlainText></TextGroup>ische Forschung, sondern auch für andere Lebenswis<TextGroup><PlainText>s</PlainText></TextGroup>enschaften interessant und nützlich sein.</Pgraph><Pgraph>PubPharm ist frei verfügbar und das responsive Design der Rechercheoberfläche ermöglicht ein flexibles Arbeiten mit mobilen Endgeräten. Die standortabhängige Verfügbarkeitsprüfung ermittelt Möglichkeiten für einen unmittelbaren Volltextzugriff auf elektronische Ressourcen <TextLink reference="2"></TextLink>. Über verschiedene Sortier- und Filterfunktionen (z.B. für die Einschränkung auf klinische Studien oder aktue<TextGroup><PlainText>lle P</PlainText></TextGroup>ublikationen zu COVID-19/SARS-CoV-2) lassen sich Treffer einer Suchanfrage eingrenzen sowie die Suchanfrage verfeinern <TextLink reference="7"></TextLink>. Die textbasierten Suchoptionen <TextGroup><PlainText>werden in</PlainText></TextGroup> PubPharm durch die Struktursuche ergänzt <TextLink reference="1"></TextLink>, <TextLink reference="7"></TextLink>. Diese ermöglicht anhand einer molekularen Struktur, einer Suche nach internationalen Freinamen bzw. Trivialnamen oder über Import von SMILES-/InChI-Codes chemische Verbindungen zu identifizieren und u.a. weiterführende Wirkstoffinformationen zu erhalten <TextLink reference="8"></TextLink>, <TextLink reference="9"></TextLink>.</Pgraph><Pgraph>Die Anzeige von KI-basierten Vorschlagslisten ist <TextGroup><PlainText>der erste</PlainText></TextGroup> innovative Service, der aus der informationsfachlic<TextGroup><PlainText>hen F</PlainText></TextGroup>orschungstätigkeit am IfIS hervorgegangen ist. Wie Abbildung 1 <ImgLink imgNo="1" imgType="figure"/> zeigt, werden beispielsweise für den Wirkstoff Sumatriptan u.a. weitere Wirkstoffe gelistet, die zur Behandlung der Migräne eingesetzt werden bzw. wurden. Die „verwandten“ pharmazeutischen Entitäten werden allein durch ihre semantische Ähnlichkeit zueinander identifiziert <TextLink reference="10"></TextLink>. Die Funktion basiert also nicht nur auf molekularer Ähnlichkeit oder Therapieschemata, sondern kann darüber hinaus auch andere Arten von Beziehungen abbilden. Eine Erweiterung ist die Visualisierung von Wirkstoff-Erkrankungs-Beziehungen in Netzwerkansichten (Drug-Disease-Networks) auf Basis des Outputs künstlicher neuronaler Netze (Abschnitt 3) <TextLink reference="11"></TextLink>, <TextLink reference="12"></TextLink>. </Pgraph></TextBlock>
<TextBlock linked="yes" name="3 Drug-Disease-Networks">
<MainHeadline>3 Drug-Disease-Networks</MainHeadline><SubHeadline>3.1 Entwicklung der Drug-Disease-Networks </SubHeadline><Pgraph>Der derzeit exponentielle Anstieg der Anzahl wissenschaftlicher Publikationen stellt – wie auch in anderen Bereichen – Forschende im Fach Pharmazie vor neue Herausforderungen. Keyword-basierte Suchen sind oftmals nicht hinreichend präzise und können im pharmazeutischen und biomedizinischen Bereich zu unübersichtlich großen Treffermengen führen. Daraus resultiert über die bislang übliche Keyword-basierte Suchfunktionalität hinaus ein Bedarf an neuen Zugriffspfaden zu Fachliteratur und Informationsressourcen, die eine effektivere Spezifizierung der individuellen Informationssuche erlauben. </Pgraph><Pgraph>Zu diesem Zweck kann künstliche Intelligenz, insbesondere aus dem Bereich der Neural Language Models (NLMs), d.h. auf die Verarbeitung natürlicher Sprache spezialisierte neuronale Netze, genutzt werden, um automatisch Pharmazie-relevante Entitäten (u.a. Wirkstoffe, Erkrankungen/Symptome und Gene) und ihre Beziehungen untereinander auf Basis einschlägiger Forschungsli<TextGroup><PlainText>t</PlainText></TextGroup>eratur zu ermitteln und übersichtlich darzustellen. In <TextGroup><PlainText>PubPharm</PlainText></TextGroup> bilden NLMs sowohl die Grundlage für die Entwicklung der Vorschlagslisten als auch für die Entwicklung von Netzwerkansichten zur Visualisierung von Wirkstoff-Erkrankungs-Beziehungen. Das am IfIS aufgebaute NLM lernt für diese Services auf Metadaten (Titel, <TextGroup><PlainText>Abstract) von</PlainText></TextGroup> ca. 32 Millionen Publikationen (Dokume<TextGroup><PlainText>n</PlainText></TextGroup>ten-Korpus) aus der biomedizinischen Datenbank <TextGroup><PlainText>Medline</PlainText></TextGroup>/PubMed <TextLink reference="3"></TextLink>. Vor dem Lernprozess müssen alle relevanten pharmazeutischen Entitäten, insbesondere auch solche, die aus mehreren Wörtern zusammengesetzt sind (z.B. „Diabetes mellitus“ oder „ocular hypertension“), im Text <TextGroup><PlainText>erkannt und</PlainText></TextGroup> durch eindeutige Identifikatoren annotiert werden. Dafür werden frei verfügbare automatische Annotations-Tools wie z.B. PubTator <TextLink reference="13"></TextLink> eingesetzt und die Texte in geeigneter Weise für den Lernprozess vorbereitet, für Details siehe <TextLink reference="14"></TextLink>. Für den Lernprozess wurde das Word2Vec NLM (Skip-gram Model, Implementierung aus der Deeplearning4J Bibliothek) ausgewählt (vgl. <TextLink reference="15"></TextLink>, <TextLink reference="16"></TextLink>). Vereinfacht dargestellt entfernt das NLM hierbei einzelne Wörter aus ihrem jeweiligen Wort-Kontext und lernt im nächsten Trainingsschritt jene Wörter automatisch vorherzusagen, welche die entstandene Lücke am wahrscheinlichsten füllen. </Pgraph><Pgraph>Über einen pharmazeutischen Dokumenten-Korpus werden in PubPharm so für jede pharmazeutische Entität tausende bis hunderttausende verschiedener Wort-Kon<TextGroup><PlainText>t</PlainText></TextGroup>exte gelernt. Repräsentiert als Vektoren in einem abstrakten hochdimensionalen Raum, werden dann alle Entitäten mit ähnlichen Wort-Kontexten, d.h. einer ähnlichen Semantik, räumlich nah zueinander positioniert. Mit geeigneten Ähnlichkeitsmaßen kann anschließend die Ähnlichkeit zwischen je zwei Entitäten berechnet werden. Diese Kontextualisierungseigenschaft der Ähnlichkeit kann auf alle pharmazeutischen Entitäten übertragen werden und baut so ein Drug-Disease-Network auf: Steht Wirkstoff A beispielsweise oft im Wort-Kontext mit Wirkstoff B und steht zudem Wirkstoff A oft im Wort-Kontext mit Wirkstoff C, so kann ein gemeinsamer Kontext zwischen B und C über Wirkstoff A vom NLM erlernt werden. Ein ähnlicher Kontext kann dann auf eine intrinsische Ähnlichkeit von Entitäten hindeuten, z.B. auf ähnliche chemische Wirkstoffeigenschaften oder ähnliche therapeutische Einsatzgebiete. So können auch bislang unbeachtete Gemeinsamkeiten zwischen Wirkstoffen aufgedeckt werden. Das heißt, für jeden Wirkstoff werden die Wirkstoff-, Erkrankungs- und Gen-Nachbarn extrahiert und für jedes hinreichend ähnliche Entitätspaar dann ein entsprechender Zusammenhang angenommen <TextLink reference="11"></TextLink>. </Pgraph><Pgraph>Zwar sind von einer KI angenommene Zusammenhänge oft nur schwer interpretierbar, allerdings können künstl<TextGroup><PlainText>iche neuro</PlainText></TextGroup>nale Netze tatsächlich nicht nur unspezifische Assoziationen zwischen Entitäten erlernen, sondern auch gezielt Wirkstoff-Erkrankungs-Beziehungen vorhersagen. Solche Vorhersagen können dann oft implizit über andere bereits bekannte Wirkstoff-Erkrankungs-Beziehu<TextGroup><PlainText>ngen e</PlainText></TextGroup>rklärt werden. Zur Exploration von komplexen pharmazeutischen Assoziationen eignen sich insbesondere Netzwerkansichten (siehe z.B. STITCH <TextLink reference="17"></TextLink>). Eine Netzwerkan<TextGroup><PlainText>s</PlainText></TextGroup>icht, in der die einzelnen pharmazeutischen Entitäten über Assoziationen miteinander verbunden sind, ermöglicht eine schnelle visuelle Erfassung der bekannten und vorhergesagten Wirkstoff-Erkrankungs-Beziehungen und kann die Interpretation von komplexen Zusammenhängen vereinfachen <TextLink reference="12"></TextLink>.</Pgraph><Pgraph>Insgesamt können die Vorschlagslisten kontextähnlicher, verwandter Substanzen, Erkrankungen/Symptome und Gene sowie die Netzwerkansichten zur Visualisierung von Wirkstoff-Erkrankungs-Beziehungen (Drug-Disease-Networks) Forschende beispielsweise bei der literaturba<TextGroup><PlainText>sier</PlainText></TextGroup>ten Hypothesenbildung oder bei Untersuchungen zum Drug-Repositioning unterstützen <TextLink reference="18"></TextLink>.</Pgraph><SubHeadline>3.2 BETA-Version der interaktiven Drug-Disease-Networks</SubHeadline><Pgraph>Die Drug-Disease-Networks wurden im Frühjahr 2021 in einer BETA-Version in PubPharm integriert und lassen sich über eine Verlinkung unterhalb der zentralen Eingabezeile aufrufen (Abbildung 2 <ImgLink imgNo="2" imgType="figure"/>). </Pgraph><Pgraph>Abbildung 2 <ImgLink imgNo="2" imgType="figure"/> zeigt das Teilnetzwerk einer Beispielsubstanz, wobei assoziierte Wirkstoffe in blau und die Erkrankungen/Symptome in grün hervorgehoben sind. Rote Verbindungslinien (Kanten) zeigen vom NLM gelernte Vorhersagen, typischerweise beschreiben diese Beziehung weniger als drei Publikationen im zugrundeliegenden Dokumenten-Korpus (siehe auch Abschnitt 3.1). Stützen dagegen drei oder mehr Publikationen die Hypothese, werden die Kanten in grün dargestellt und mit der jeweiligen Anzahl versehen. </Pgraph><Pgraph>Eine neue, freie Suche kann mit einem Substanznamen oder einer Erkrankung bzw. einem Symptom über die Eingabezeile gestartet werden (Abbildung 2 <ImgLink imgNo="2" imgType="figure"/>). Alternativ wird durch Doppelklick auf eine Entität (Substanzname oder Erkrankung/Symptom) das entsprechende Drug-Disease-Network aufgerufen. Neben der Eingabezeile kann die Anzahl der kontextähnlichen, verwandten Substanzen in der Netzwerkansicht eingestellt werden. </Pgraph><Pgraph>Um die Netzwerkansichten übersichtlicher zu gestalten und an die individuellen Bedürfnisse anzupassen, werden verschiedene Optionen angeboten: Über die linke, gedrückte Maustaste kann ein Netzwerk beliebig verschoben werden. Die Entitäten und zugehörigen Kanten lassen sich auf diese Weise ebenfalls einzeln bewegen und beliebig platzieren. Zoomen ist mit dem Scrollrad möglich, und ergänzend wird ein Vollbildmodus angeboten. Über die rechte Maustaste können einzelne Entitäten („Klick“ auf eine Entität) oder alle Wirkstoffe bzw. Erkrankungen/Symptome („Klick“ an einer beliebigen Stelle der Netzwerkansicht) entfernt werden. Ein Einzelklick mit der linken Maustaste auf eine Entität markiert diese und die zugehörigen Kanten und hebt das Teilnetzwerk hervor. </Pgraph><Pgraph>Unterhalb der Netzwerkansicht befinden sich die „Association Details“ mit der Listung der kontextähnlichen, verwandten Substanzen, Erkrankungen/Symptome und Gene (Abbildung 3 <ImgLink imgNo="3" imgType="figure"/>). Weiterführende Informationen können über unterschiedliche Verlinkungen, z.B. zur textba<TextGroup><PlainText>s</PlainText></TextGroup>ierten und Struktursuche in PubPharm oder zur Wirkstoffdatenbank DrugBank <TextLink reference="8"></TextLink>, erhalten werden. Für die Wirkstoff-Erkrankungs-Beziehungen (Drug-Disease-Associat<TextGroup><PlainText>ions) w</PlainText></TextGroup>erden die geschätzte Anzahl der die Hypothese stützende Publikationen angezeigt und die Art der Entitäts-Beziehungen aus der Comparative Toxicogenomics Database (CTD) aufgeführt, sofern ein entsprechender Eintrag in dieser Datenbank vorliegt <TextLink reference="19"></TextLink>.</Pgraph><Pgraph>Nach weiterer Evaluation durch die Fachcommunity <TextGroup><PlainText>werden</PlainText></TextGroup> die Drug-Disease-Networks perspektivisch so in PubPharm eingebunden, dass sie bei einer Suche nach Wirkstoffen und Erkrankungen/Symptomen die Vorschlagslisten kontextähnlicher, verwandter Entitäten als eine weitere Explorationsmöglichkeit ergänzen. </Pgraph></TextBlock>
<TextBlock linked="yes" name="4 Zusammenfassung und Ausblick">
<MainHeadline>4 Zusammenfassung und Ausblick</MainHeadline><Pgraph>Als zentraler Service im FID Pharmazie bietet die wirkstof<TextGroup><PlainText>fz</PlainText></TextGroup>entrierte Rechercheplattform PubPharm einen umfassenden Zugang zu pharmazeutischen Informationsres<TextGroup><PlainText>sour</PlainText></TextGroup>cen und unterstützt Forschende durch bedarfsori<TextGroup><PlainText>e</PlainText></TextGroup>ntierte innovative Recherchetools. </Pgraph><Pgraph>Im kontinuierlichen Austausch mit der Fachcommunity werden potenzielle neue Inhalte und Funktionalitäten identifiziert. So wird perspektivisch der Suchraum von PubPharm auf Forschungsdaten sowie einen Ausschnitt aus der Bielefeld Academic Search Engine (BASE) ausgeweitet <TextLink reference="20"></TextLink>. Mittelfristig wird eine neue Gesamtarchitektur für PubPharm etabliert, worin die Services im Sinne eines zentralen Zugangs eingebettet werden, und zudem ein fachspezifisches Repositorium aufgebaut. Aktuell forscht das IfIS an neuartigen narrativen Retrieval-Methoden, die eine präzise und strukturierte Literatursuche ermöglichen <TextLink reference="21"></TextLink>, <TextLink reference="22"></TextLink>. Ziel ist es, Nutzenden eine gezielte Formulierung ihres Informationsbedarfes zu ermöglichen. Ein erster narrativer Service befindet sich aktuell in einer frühen Testphase <TextLink reference="23"></TextLink>. Der FID Pharmazie ist selbstver<TextGroup><PlainText>s</PlainText></TextGroup>tändlich auch am Feedback angrenzender Fachbereiche, insbesondere in den Lebenswissenschaften, zu allen seinen Services interessiert. </Pgraph></TextBlock>
<TextBlock linked="yes" name="Anmerkung">
<MainHeadline>Anmerkung</MainHeadline><SubHeadline>Interessenkonflikte</SubHeadline><Pgraph>Die Autoren erklären, dass sie keine Interessenkonflikte in Zusammenhang mit diesem Artikel haben.</Pgraph></TextBlock>
<References linked="yes">
<Reference refNo="1">
<RefAuthor>Draheim C</RefAuthor>
<RefAuthor>Keßler K</RefAuthor>
<RefAuthor>Wulle S</RefAuthor>
<RefTitle>PubPharm – die Rechercheplattform</RefTitle>
<RefYear>2019</RefYear>
<RefJournal>PZ Prisma</RefJournal>
<RefPage>68-74</RefPage>
<RefTotal>Draheim C, Keßler K, Wulle S. PubPharm – die Rechercheplattform. PZ Prisma. 2019;26(2):68-74.</RefTotal>
</Reference>
<Reference refNo="2">
<RefAuthor>Keßler K</RefAuthor>
<RefAuthor>Kroll H</RefAuthor>
<RefAuthor>Wawrzinek J</RefAuthor>
<RefAuthor>Draheim C</RefAuthor>
<RefAuthor>Wulle S</RefAuthor>
<RefAuthor>Stump K</RefAuthor>
<RefAuthor>Balke WT</RefAuthor>
<RefTitle>PubPharm – Gemeinsam von der informationswissenschaftlichen Grundlagenforschung zum nachhaltigen Service</RefTitle>
<RefYear>2019</RefYear>
<RefJournal>ABI Technik</RefJournal>
<RefPage>282-94</RefPage>
<RefTotal>Keßler K, Kroll H, Wawrzinek J, Draheim C, Wulle S, Stump K, Balke WT. PubPharm – Gemeinsam von der informationswissenschaftlichen Grundlagenforschung zum nachhaltigen Service. ABI Technik. 2019;39(4):282-94. DOI: 10.1515/abitech-2019-4005</RefTotal>
<RefLink>https://doi.org/10.1515/abitech-2019-4005</RefLink>
</Reference>
<Reference refNo="3">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>PubMed [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>PubMed [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://www.ncbi.nlm.nih.gov/pubmed/</RefTotal>
<RefLink>https://www.ncbi.nlm.nih.gov/pubmed/</RefLink>
</Reference>
<Reference refNo="4">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>ClinicalTrials.gov [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>ClinicalTrials.gov [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://www.clinicaltrials.gov/</RefTotal>
<RefLink>https://www.clinicaltrials.gov/</RefLink>
</Reference>
<Reference refNo="5">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>International Clinical Trials Registry Platform [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>International Clinical Trials Registry Platform [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://trialsearch.who.int/</RefTotal>
<RefLink>https://trialsearch.who.int/</RefLink>
</Reference>
<Reference refNo="6">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>European Patent Office [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>European Patent Office [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://www.epo.org/index_de.html</RefTotal>
<RefLink>https://www.epo.org/index_de.html</RefLink>
</Reference>
<Reference refNo="7">
<RefAuthor>Draheim C</RefAuthor>
<RefAuthor>Keßler K</RefAuthor>
<RefAuthor>Wawrzinek J</RefAuthor>
<RefAuthor>Wulle S</RefAuthor>
<RefTitle>Die Rechercheplattform PubPharm</RefTitle>
<RefYear>2019</RefYear>
<RefJournal>GMS Medizin – Bibliothek – Information</RefJournal>
<RefPage>Doc23</RefPage>
<RefTotal>Draheim C, Keßler K, Wawrzinek J, Wulle S. Die Rechercheplattform PubPharm. GMS Medizin – Bibliothek – Information. 2019;19(3):Doc23. DOI: 10.3205/mbi000448</RefTotal>
<RefLink>https://doi.org/10.3205/mbi000448</RefLink>
</Reference>
<Reference refNo="8">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>DrugBank [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>DrugBank [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://go.drugbank.com/</RefTotal>
<RefLink>https://go.drugbank.com/</RefLink>
</Reference>
<Reference refNo="9">
<RefAuthor>National Center for Biotechnology Information</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>The PubChem Project [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>National Center for Biotechnology Information. The PubChem Project [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://pubchem.ncbi.nlm.nih.gov/</RefTotal>
<RefLink>https://pubchem.ncbi.nlm.nih.gov/</RefLink>
</Reference>
<Reference refNo="10">
<RefAuthor>Wawrzinek J</RefAuthor>
<RefAuthor>Balke WT</RefAuthor>
<RefTitle>Semantic Facettation in Pharmaceutical Collections Using Deep Learning for Active Substance Contextualization</RefTitle>
<RefYear></RefYear>
<RefBookTitle>International Conference on Asian Digital Libraries ICADL 2017: Digital Libraries: Data, Information, and Knowledge for Digital Lives; 2017 Nov 13-15; Bangkok, Thailand</RefBookTitle>
<RefPage>41-53</RefPage>
<RefTotal>Wawrzinek J, Balke WT. Semantic Facettation in Pharmaceutical Collections Using Deep Learning for Active Substance Contextualization. In: International Conference on Asian Digital Libraries ICADL 2017: Digital Libraries: Data, Information, and Knowledge for Digital Lives; 2017 Nov 13-15; Bangkok, Thailand. p. 41-53. (Lecture Notes in Computer Science; 10647). DOI: 10.1007/978-3-319-70232-2_4</RefTotal>
<RefLink>https://doi.org/10.1007/978-3-319-70232-2_4</RefLink>
</Reference>
<Reference refNo="11">
<RefAuthor>Wawrzinek J</RefAuthor>
<RefAuthor>Balke WT</RefAuthor>
<RefTitle>Measuring the Semantic World – How to Map Meaning to High-Dimensional Entity Clusters in PubMed?</RefTitle>
<RefYear></RefYear>
<RefBookTitle>International Conference on Asian Digital Libraries ICADL 2018: Maturity and Innovation in Digital Libraries; 2018 Nov 19-22; Hamilton, New Zealand</RefBookTitle>
<RefPage>15-27</RefPage>
<RefTotal>Wawrzinek J, Balke WT. Measuring the Semantic World – How to Map Meaning to High-Dimensional Entity Clusters in PubMed? In: International Conference on Asian Digital Libraries ICADL 2018: Maturity and Innovation in Digital Libraries; 2018 Nov 19-22; Hamilton, New Zealand. p. 15-27. (Lecture Notes in Computer Science; 11279). DOI: 10.1007/978-3-030-04257-8_2</RefTotal>
<RefLink>https://doi.org/10.1007/978-3-030-04257-8_2</RefLink>
</Reference>
<Reference refNo="12">
<RefAuthor>Wawrzinek J</RefAuthor>
<RefAuthor>Pinto JMG</RefAuthor>
<RefAuthor>Balke WT</RefAuthor>
<RefTitle>Linking Semantic Fingerprints of Literature – from Simple Neural Embeddings Towards Contextualized Pharmaceutical Networks</RefTitle>
<RefYear></RefYear>
<RefBookTitle>International Conference on Theory and Practice of Digital Libraries TPDL 2019: Digital Libraries for Open Knowledge; 2019 Sep 09-12; Oslo, Norway</RefBookTitle>
<RefPage>33-40</RefPage>
<RefTotal>Wawrzinek J, Pinto JMG, Balke WT. Linking Semantic Fingerprints of Literature – from Simple Neural Embeddings Towards Contextualized Pharmaceutical Networks. In: International Conference on Theory and Practice of Digital Libraries TPDL 2019: Digital Libraries for Open Knowledge; 2019 Sep 09-12; Oslo, Norway. p. 33-40. (Lecture Notes in Computer Science; 11799). DOI: 10.1007/978-3-030-30760-8_3</RefTotal>
<RefLink>https://doi.org/10.1007/978-3-030-30760-8_3</RefLink>
</Reference>
<Reference refNo="13">
<RefAuthor>National Center for Biotechnology Information</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>PubTator Central [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>National Center for Biotechnology Information. PubTator Central [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://www.ncbi.nlm.nih.gov/research/pubtator/</RefTotal>
<RefLink>https://www.ncbi.nlm.nih.gov/research/pubtator/</RefLink>
</Reference>
<Reference refNo="14">
<RefAuthor>The Apache Software Foundation</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>Apache Lucene [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>The Apache Software Foundation. Apache Lucene [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://lucene.apache.org/</RefTotal>
<RefLink>https://lucene.apache.org/</RefLink>
</Reference>
<Reference refNo="15">
<RefAuthor>Mikolov T</RefAuthor>
<RefAuthor>Sutskever I</RefAuthor>
<RefAuthor>Chen K</RefAuthor>
<RefAuthor>Corrado GS</RefAuthor>
<RefAuthor>Dean J</RefAuthor>
<RefTitle>Distributed representations of words and phrases and their compositionality</RefTitle>
<RefYear></RefYear>
<RefTotal>Mikolov T, Sutskever I, Chen K, Corrado GS, Dean J. Distributed representations of words and phrases and their compositionality. In: NIPS'13: Proceedings of the 26th International Conference on Neural Information Processing Systems - Volume 2; 2013 Dec 05-10; Lake Tahoe, Nevada. p. 3111-9.</RefTotal>
</Reference>
<Reference refNo="16">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>Deep Learning for Java [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>Deep Learning for Java [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://deeplearning4j.org/</RefTotal>
<RefLink>https://deeplearning4j.org/</RefLink>
</Reference>
<Reference refNo="17">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>STITCH database [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>STITCH database [Internet]. [updated: 2021; cited 2021 Oct 19]. Available from: http://stitch.embl.de/</RefTotal>
<RefLink>http://stitch.embl.de/</RefLink>
</Reference>
<Reference refNo="18">
<RefAuthor>Ashburn T</RefAuthor>
<RefAuthor>Thor KB</RefAuthor>
<RefTitle>Drug repositioning: identifying and developing new uses for existing drugs</RefTitle>
<RefYear>2004</RefYear>
<RefJournal>Nat Rev Drug Discov</RefJournal>
<RefPage>673-83</RefPage>
<RefTotal>Ashburn T, Thor KB. Drug repositioning: identifying and developing new uses for existing drugs. Nat Rev Drug Discov. 2004 Aug;3(8):673-83. DOI: 10.1038/nrd1468</RefTotal>
<RefLink>https://doi.org/10.1038/nrd1468</RefLink>
</Reference>
<Reference refNo="19">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>Comparative Toxicogenomics Database (CTD) [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>Comparative Toxicogenomics Database (CTD) [Internet]. [updated: 2021; cited 2021 Oct 18]. Available from: https://ctdbase.org/</RefTotal>
<RefLink>https://ctdbase.org/</RefLink>
</Reference>
<Reference refNo="20">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>BASE (Bielefeld Academic Search Engine) [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>BASE (Bielefeld Academic Search Engine) [Internet]. [updated: 2021; cited 2021 Oct 19]. Available from: https://www.base-search.net/</RefTotal>
<RefLink>https://www.base-search.net/</RefLink>
</Reference>
<Reference refNo="21">
<RefAuthor>Kroll H</RefAuthor>
<RefAuthor>Pirklbauer J</RefAuthor>
<RefAuthor>Kalo JC</RefAuthor>
<RefAuthor>Kunz M</RefAuthor>
<RefAuthor>Ruthmann J</RefAuthor>
<RefAuthor>Balke WT</RefAuthor>
<RefTitle>Narrative Query Graphs for Entity-Interaction-Aware Document Retrieval</RefTitle>
<RefYear></RefYear>
<RefBookTitle>23rd International Conference on Asia Digital Libraries ICADL 2021: Towards Open and Trustworthy Digital Societies; 2021 Dec 01-03</RefBookTitle>
<RefPage>80-95</RefPage>
<RefTotal>Kroll H, Pirklbauer J, Kalo JC, Kunz M, Ruthmann J, Balke WT. Narrative Query Graphs for Entity-Interaction-Aware Document Retrieval. In: 23rd International Conference on Asia Digital Libraries ICADL 2021: Towards Open and Trustworthy Digital Societies; 2021 Dec 01-03. p. 80-95. (Lecture Notes in Computer Science; 13133). DOI: 10.1007/978-3-030-91669-5_7</RefTotal>
<RefLink>https://doi.org/10.1007/978-3-030-91669-5_7</RefLink>
</Reference>
<Reference refNo="22">
<RefAuthor>Kroll H</RefAuthor>
<RefAuthor>Draheim</RefAuthor>
<RefAuthor>C</RefAuthor>
<RefTitle>Narrative Information Access for a Precise and Structured Literature Search</RefTitle>
<RefYear>2021</RefYear>
<RefJournal>O-Bib – Das Offene Bibliotheksjournal</RefJournal>
<RefPage>1-13</RefPage>
<RefTotal>Kroll H, Draheim, C. Narrative Information Access for a Precise and Structured Literature Search. O-Bib – Das Offene Bibliotheksjournal. 2021;8(4):1-13. DOI: 10.5282/o-bib/5730</RefTotal>
<RefLink>https://doi.org/10.5282/o-bib/5730</RefLink>
</Reference>
<Reference refNo="23">
<RefAuthor>Anonym</RefAuthor>
<RefTitle></RefTitle>
<RefYear></RefYear>
<RefBookTitle>Narrativer Prototyp [Internet]</RefBookTitle>
<RefPage></RefPage>
<RefTotal>Narrativer Prototyp [Internet]. [updated 2021; cited 2021 Dec 02]. Available from: http://www.pubpharm.de/services/prototypes/narratives/</RefTotal>
<RefLink>http://www.pubpharm.de/services/prototypes/narratives/</RefLink>
</Reference>
</References>
<Media>
<Tables>
<NoOfTables>0</NoOfTables>
</Tables>
<Figures>
<Figure format="png" height="583" width="417">
<MediaNo>1</MediaNo>
<MediaID>1</MediaID>
<Caption><Pgraph><Mark1>Abbildung 1: Vorschlagslisten kontextähnlicher, verwandter Entitäten, die bei einer Suche mit einem Wirkstoff (hier Sumatriptan) oder einer Erkrankung / einem Symptom in PubPharm generiert werden. </Mark1></Pgraph></Caption>
</Figure>
<Figure format="png" height="583" width="833">
<MediaNo>2</MediaNo>
<MediaID>2</MediaID>
<Caption><Pgraph><Mark1>Abbildung 2: Beispiel-Netzwerkansicht für den Wirkstoff Sumatriptan: hervorgehoben ist das Teilnetzwerk mit den nächsten Erkrankungs-Nachbarn. A) Aktueller Zugang zu den Drug-Disease-Networks. B) Legende. C) Eingabezeile und Möglichkeit, die Anzahl der kontextähnlichen, verwandten Substanzen einzustellen. </Mark1></Pgraph></Caption>
</Figure>
<Figure format="png" height="532" width="833">
<MediaNo>3</MediaNo>
<MediaID>3</MediaID>
<Caption><Pgraph><Mark1>Abbildung 3: Beispiel: „Association Details“ für den Wirkstoff Sumatriptan. A) Über unterschiedliche Verlinkungen können weiterführende Informationen erhalten werden. B) Liste der Drug-Disease-Associations. C) Geschätzte Anzahl die Hypothese stützende Publikationen.</Mark1></Pgraph></Caption>
</Figure>
<NoOfPictures>3</NoOfPictures>
</Figures>
<InlineFigures>
<NoOfPictures>0</NoOfPictures>
</InlineFigures>
<Attachments>
<NoOfAttachments>0</NoOfAttachments>
</Attachments>
</Media>
</OrigData>
</GmsArticle>]]></plaintext></textgroup></pgraph></abstract></origdata></gmsarticle>