lanax/kegg-pathway-extractor

蛋白质-蛋白质相互作用（PPI）类型关系提取镜像

概述

本镜像为生物信息学研究提供完整的PPI关系提取 pipeline，可从PubMed摘要、IMEX数据集等生物医学文本中自动识别蛋白质实体及其相互作用类型，支持从数据预处理到模型部署的全流程操作，帮助研究人员高效构建PPI网络。

核心功能

1. 数据获取与预处理：从IMEX FTP站点下载原始XML数据，支持AWS S3存储与格式转换；
2. 实体识别：集成GNormPlus工具，精准识别文本中的蛋白质实体及角色（如主题、代理）；
3. 模型训练：支持基于Word2Vec嵌入的传统模型和BioBERT预训练语言模型的训练与验证；
4. 大规模推理：对PubMed摘要进行批量处理，提取PPI关系；
5. 多数据集兼容：支持AIMed等公开PPI数据集，提供格式转换工具。

使用场景

• 生物信息学研究人员：构建PPI网络，分析蛋白质相互作用机制；
• 计算生物学团队：加速PPI关系提取的自动化流程；
• 学术机构：用于教学或科研项目，探索文本挖掘在生物医学领域的应用。

配置说明

环境变量

• elasticsearch_domain_name：Elasticsearch域名（可视化用）；
• AWS_ACCESS_KEY_ID/AWS_SECRET_ACCESS_KEY/AWS_REGION：AWS认证信息（S3同步或Elasticsearch访问）。

卷挂载

将本地数据目录挂载到容器内/data路径，用于数据输入/输出。

Docker部署示例

下载IMEX数据集

bash
basedata=/home/ubuntu/data
sudo docker run -v ${basedata}:/data lanax/kegg-pathway-extractor:latest scripts/dowloadintactinteractions.sh /data "human*.xml" "<optional_s3_destination>"

结合Elasticsearch可视化（AWS）

bash
region="your_region"
esdomain="your_es_domain"
accesskey="your_access_key"
accesssecret="your_secret_key"
s3path="s3://your_bucket/path"
basedata=/home/ubuntu/data
file_pattern="human0*"
script=scripts/run_pipeline_download_esindex.sh
sudo docker run -v ${basedata}:/data \
  --env elasticsearch_domain_name=$esdomain \
  --env AWS_ACCESS_KEY_ID=$accesskey \
  --env AWS_REGION=$region \
  --env AWS_SECRET_ACCESS_KEY=$accesssecret \
  lanax/kegg-pathway-extractor:latest $script /data $file_pattern $s3path

BioBERT模型训练

bash
basedata=/home/ubuntu/data
sudo docker run -v ${basedata}:/data \
  lanax/kegg-pathway-extractor:latest \
  python ./source/algorithms/main_train_bert.py \
  --dataset PpiAimedDatasetFactory \
  --trainfile /data/Aimedsample.json \
  --traindir /data \
  --valfile /data/Aimedsample.json \
  --valdir /data \
  --pretrained_biobert_dir "/data/biobert_v1.1_pubmed"