PubMed でシンプソン係数

research

PubMed(生命科学系の論文検索サイト：http://www.ncbi.nlm.nih.gov/sites/entrez)の論文を使って，生命現象（or 遺伝子）の関係（共起）を調べよう！ってことでシンプソン係数の計算を題材にしてみました．シンプソン係数が大きいほど，入力した2遺伝子（2単語）が頻繁に同時に論文に現れるので，関係が強いと推定できます．

中で使っているRubyコードsimpson.rb（このエントリの最後に書きます）は，引数に２つの遺伝子（単語）を入れると，独立した検索数とシンプソン係数が出てきます．

./simpson.rb CDK2 CDK6
CDK2 CDK6 3779 743 321 0.432032301480485

上記の例では，CDK2, CDK6が検索語，CDK2が3779件，CDK6が743件，CDK2 & CDK6が321件，シンプソン係数は0.432...となっています．


シンプソン係数は汎用的なものなので，WikiPediaで共起を調べるには，
「たつをのChangeLog - Wikipediaのキーワードリンクを使って関連語データを作ってみた」
( http://chalow.net/2007-06-09-3.html )などを参照．
Google や, Y!のAPIでも可能です．

  • シンプソン係数を求めるrubyのコード(simpson.rb)
#!/usr/bin/env ruby

require 'rexml/document'
require 'open-uri'

def count(gene)
  fp = open("http://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi?db=pubmed&term="+gene)
  source = fp.read
  fp.close
  doc = REXML::Document.new source
  return doc.elements['/eSearchResult/Count'].text.to_i
end

def simpson(gene1_count, gene2_count, gene12_count)
  if gene1_count <= 0 || gene2_count <= 0
    return nil
  elsif gene1_count < gene2_count
    return gene12_count.to_f / gene1_count.to_f
  end
  return gene12_count.to_f / gene2_count.to_f
end

def main(gene1,gene2)
  gene1_count = count(gene1)
  gene2_count = count(gene2)
  gene12_count = count(gene1 + "+" + gene2)
  s = simpson(gene1_count, gene2_count, gene12_count)
  puts [gene1, gene2, gene1_count, gene2_count, gene12_count, s].join("\t")
end

exit if ARGV.size != 2
main(ARGV[0],ARGV[1])