數據挖掘應用于學術出版物 以最終揭示地球的生物多樣性

具有諷刺意味的是，根據聯合國最近的一份報告，具有諷刺意味的是，在一百萬種物種瀕臨滅絕的時候，我們不知道地球上有多少種物種，我們也沒有記錄下來所有我們已經了解的物種。單一清單。實際上，我們甚至不知道我們會把這樣的物種列入清單。

包括全球2,000多家自然歷史機構在內的聯合研究，估計產生了約5億頁的學術出版物以及數以千萬計的插圖和物種描述，其中包括我們目前所知道的有關生命多樣性的所有信息。但是，大多數內容無法通過數字方式訪問。即使是數字形式，我們每天的出版系統(tǒng)也無法跟上，因為每天大約有50種被描述為科學新物種，而所有這些都以純文本和PDF格式發(fā)布，而數據卻無法被機器開采，從而需要人類將其提取。此外，這些出版物通常會出現在訂閱(封閉訪問)期刊中。

在生物多樣性文學庫(BLR)的聯合項目Plazi，Pensoft和Zenodo在歐洲核子研究中心，承擔挑戰(zhàn)，開拓進入被困在科學出版物中的數據，并找出我們有多少種知道到目前為止，是什么它們最重要的特征(也稱為描述或分類處理)，以及它們在各種圖像上的外觀。為此，BLR使用高度標準化的格式和術語(這是科學出版物所特有的)從主要供人類消費的文字中發(fā)現和提取數據。

通過依靠最先進的數據挖掘算法，BLR可以檢測，提取和豐富數據，包括DNA序列，標本收集數據或相關描述，以及提供與數據來源的隱式鏈接：收集，存儲庫因此，BLR是世界上最大的生物分類治療，圖像及相關原始出版物的公共領域數據庫。

一旦獲得數據，便立即將其分發(fā)給全球生物多樣性平臺，例如GBIF(全球生物多樣性信息基金)。截至目前，大約有42,000種，其原始科學描述只能通過BLR獲得。

科學引用以前信息的最基本原則使我們能夠追溯特定物種的歷史，了解其知識隨著時間的推移如何增長，甚至了解這些物種的名稱是否以及多年來如何變化。結果，該服務是通過簡單查找來發(fā)現生活目錄的一種途徑。

迄今為止，吸取的教訓導致了TaxPub的發(fā)展，它是美國國家醫(yī)學圖書館期刊標簽套件的擴展，并在新的26種科學期刊中得到了應用。結果，從發(fā)布過程開始就可以通過機器訪問與這些期刊中的文章相關的數據。因此，一旦論文發(fā)表，數據就會自動添加到GBIF。

雖然BLR有望開放數以百萬計的科學圖示和說明，但該系統(tǒng)的獨特之處在于，它使所有提取的數據都可查找，可訪問，可互操作且可重用(FAIR)，并且隨時隨地對任何人開放。最重要的是，其目的是創(chuàng)造一種新穎的方式來獲取科學文獻。

迄今為止，BLR已從38,000多種出版物中提取了約350,000種分類學治療方法和約200,000種數據。其中包括55,800個新物種，3,744個新屬和28個新科的描述。BLR有助于發(fā)現每年描述的約17,000種物種中的30%以上。

Pensoft的創(chuàng)始人兼首席執(zhí)行官Lyubomir Penev教授說：“看到由Plazi于15年前開始并于2010年在Pensoft期刊中作為例行出版工作流程實施的TaxPub標準的開發(fā)過程，我感到非常滿意，現在，我們已經建立了一個完整的基礎架構，可以從全球各種期刊中自動提取和分發(fā)生物多樣性數據。隨著歐洲生物分類設施聯合會(CETAF)最近宣布，他們的《歐洲生物分類學期刊》即將加入TaxPub俱樂部，更加有信心，我們正在為完全掌握世界生物多樣性的范圍鋪平正確的道路。”

Plazi聯合創(chuàng)始人兼總裁Donat Agosti博士補充說：“最后，信息技術使我們能夠創(chuàng)建全面的，擴展的生命目錄，并闡明這一巨大的文化和科學遺產–地球上生命的描述“對所有人來說。分類學治療的性質是科學家對某個物種的發(fā)現的引證和綜合網絡，這使我們能夠將不同的領域(如基因組學和分類學)與自然歷史博物館的標本聯系起來。”

歐洲核子研究組織(CERN)協(xié)作，設備和應用小組負責人蒂姆·史密斯博士說：“將重點從傳達概念的論文轉移到概念本身是非常重要的一步。它使BLR提供了獨特的新方法。相互聯系的世界物種觀點，其中分類學方法，其起源，歷史和插圖都相互關聯，可訪問和可找到，這對數字化其他研究領域的發(fā)展具有啟發(fā)性!”