推断出的谱系及其可视化能否用于检测错误标注？——基于 UniProtKB 的案例研究

新数据的持续涌入给保持生物数据库中注释的时效性带来了挑战。大多数生物数据库包含大量文本注释，这往往是知识最丰富的来源。许多数据库在策展过程中复用现有知识，注释经常在条目间传播。然而，这一过程通常未予明确说明。因此，读者很难甚至无法识别注释的来源。在本工作中，我们试图识别注释谱系并追踪其后续传播。具体而言，我们在 UniProt 知识库 (UniProtKB) 中利用句子层面的注释复用。我们描述了一种用于可视化 UniProtKB 中句子谱系和传播的方法，该方法使得大规模统计分析成为可能。初步分析显示 UniProtKB 内句子复用现象极为普遍，这使得追踪谱系和传播成为可能。通过对整个 UniProtKB 中句子的分析，我们识别出多种有趣的传播模式，涵盖超过 100,000 个句子。超过 8000 个句子在其原始出现条目被删除后仍保留在数据库中。对这些句子的一个子集进行分析表明，约 30% 存在错误，而 35% 似乎不一致。这些结果表明，能够可视化句子传播和谱系有助于判定文本注释的准确性和质量。源代码和补充数据可从作者网站获取。