文献太多看不过来？教你用R语言快速挖掘pubmed文献信息数据
Posted 医学方
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了文献太多看不过来？教你用R语言快速挖掘pubmed文献信息数据相关的知识，希望对你有一定的参考价值。
今天给大家分享两个用来挖掘PubMed的R包，有了现成的工具，省去了不少自己写爬虫的功夫，可以实现：快速分析研究方向的发文趋势，通过关键词找到合适自己的投稿期刊，看看自己领域内的大牛人物；这么多好玩的功能，赶紧行动起来吧，玩转pubmed吧！
RISmed：适合快速分析pubmed文献，统计文章的机构作者信息，期刊信息发表的年份等发文趋势情况，这个包自带网络爬取功能，可以即时下载期刊信息。
pumed.mineR：比较适合用来做pubmed摘要文本的数据挖掘，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。
没有安装RISmed可以从CRAN上安装,先载入这个包。
按照Pubmed的检索式写一个字符串，并将他赋值给search_topic，这里我选择了表观遗传和突触可塑性两个关键词作为检索式，中间用AND代表逻辑值同时包含两个字段的文献，还可以通过添加[author]搜索作者,[Affiliation]搜索机构，各种pubmed支持的检索词都可以直接添加；接下来调用EUtilsSummary函数，第一个参数传入检索式的字符串search_topic，db用于选择NCBI的数据库类型，可以选择NCBI的其他基因蛋白数据库，不仅限于Pubmed；retmax用于设置最大获取量，这里为了演示只获取了100条；mindate和maxdate分别设定检索的开始时间和结束时间。这一步其实只返回了pubmedID，和pubmed检索式，没有真正进行文献信息爬取。最后使用summary查看检索结果。我们可以看到它返回了pubmed实际的检索式，年份以及网络状态码。
接下来EUtilsGet这个函数将会依据之前的pubmedID进行文献信息爬取，并返回一个Medline对象，这一步需要一定网络速度，特别是连接pubmed的速度，国内有的地方速度还是很慢的，就不一定能下载下来哦，可以多执行几次试试。
这个Medline是一个S4的对象，里面包含了文章的接收、发表日期，全部的作者和作者机构,文章的摘要。
有了文章的摘要，其实可以利用文本分析工具进行英文分词，计算词频，但是这个工作用后面介绍的包pumed.mineR进行效率更高。接下来可以可视化一下，分析这个领域内发论文最多的杂志，还怕找不到合适的期刊投稿吗？各种数据探索性数据分析的方法可以搭配使用，满满的潜力！我们可以看到表观遗传和突触可塑性的文章,当然这里样本量有点少，等我网速好，可以增加点样本量。
下面绘制词云，可视化结果,载入wordcloud2包绘制可交互的词云，这包传入两列数据，第一列是词，第二列是频率，一键自动化图；也可以用wordcloud和RColorBrewer绘制，这个可以到处PDF矢量图。
这个包并不能即时的通过包内函数爬取pubmed数据，需要自行从pubmed上下载，摘要信息，然后导入包内的函数。
我们首先先从pubmed上根据自己的需要检索文献，如图点击SAVE，选择ALL RESULTS，数据类型选择ABSTRACT，即可下载所有的文章摘要等信息数据，下载好的数据是一个txt文本文件。
如果需要特定的几篇文章，可以选中文章前面的勾，不打勾默认是下载全部文章信息，这里下载了1059篇文章的信息。导入摘要数据成一个S4对象。
重点来了，废了我好大的功夫才找到solution，之前在文本分词的时候出现错误，后来发现由于分词时遇到特殊字符造成，通过Sys.setlocale设置系统参数解决。接下来分词,计算词频。
选取前15个出现频率最高的词可视化一下。
gene_atomization函数原理大概是把文献的摘要进行分词，比对摘要中出现的基因名并进行统计，我们从图中可以看到表观遗传和突触可塑性的研究中，出现最多的基因有HDAC2、DNMT1。
这里的基因名必须是HGNC认证的基因名才能被函数识别，而且有可能出现假阳性的情况，例如这里出现的CA3、CA1基因，查看原文可以发现CA3、CA1指的是海马CA3、CA1区，不过也不影响使用。
通过比较RISmed 、pumed.mineR这两个R包的函数，RISmed可以用于查询某领域内文献的逐年发文趋势，发文机构，发文作者等信息，方便对整个研究建立全局的了解。pumed.mineR则适合用来挖掘摘要文本，它内置文本处理函数，短时间内了解上千篇文献的研究不是梦。
有了这两个R包神器，还怕文献读不过来吗？赶紧分析一下自己研究方向的文献，看看自己研究领域的发文趋势吧！
「医学方」现正式向粉丝们公开征稿！内容须原创首发，与科研相关，一经采用，会奉上丰厚稿酬（300-2000元），。
“医学方”始终致力于服务“医学人”，将最前沿、最有价值的临床、科研原创文章推送给各位临床医师、科研人员。
腾讯课堂：https://medfun.ke.qq.com
网易云课堂：http://study.163.com/u/ykt1467466791112
客服微信：yixuefang1234
温馨提示：医学方还设有专门的讨论群哦~各位明星导师都在群中，可以解答各位的遇到的问题，如有兴趣，可以加客服微信后加入群聊
以上是关于文献太多看不过来？教你用R语言快速挖掘pubmed文献信息数据的主要内容，如果未能解决你的问题，请参考以下文章