Выписка из фнс: Получить выписку из ЕГРЮЛ и ЕГРИП можно не посещая налоговую инспекцию | ФНС России — Печати, полиграфия, наружная реклама в Волгограде

Содержание

Выписка егрюл с сайта фнс \ Акты, образцы, формы, договоры \ Консультант Плюс

]]>

Подборка наиболее важных документов по запросу Выписка егрюл с сайта фнс (нормативно–правовые акты, формы, статьи, консультации экспертов и многое другое).

Судебная практика: Выписка егрюл с сайта фнс Открыть документ в вашей системе КонсультантПлюс:
Подборка судебных решений за 2019 год: Статья 6 «Условия признания электронных документов, подписанных электронной подписью, равнозначными документам на бумажном носителе, подписанным собственноручной подписью» Федерального закона «Об электронной подписи»
(ООО юридическая фирма «ЮРИНФОРМ ВМ»)Руководствуясь статьей 6 Федерального закона от 06.04.2011 N 63-ФЗ «Об электронной подписи» и установив, что заявка третьего лица на участие в открытом конкурсе отклонена заявителем в связи с несоответствием представленной в ее составе выписки из ЕГРЮЛ требованиям документации о закупке; принимая во внимание, что представленную в электронной форме выписку из ЕГРЮЛ, подписанную усиленной квалифицированной электронной подписью налогового органа, третье лицо получило через официальный интернет-сайт Федеральной налоговой службы, арбитражные суды правомерно отказали в признании недействительными решения и предписания антимонопольной службы, учитывая, что содержание представленной выписки и сведения, размещенные в открытом доступе на официальном интернет-сайте налогового органа, идентичны, действительность (подлинность) квалифицированной электронной подписи на выписке из ЕГРЮЛ не опровергнута, выписка соответствует требованиям документации о закупке и Положения о закупках, придя к обоснованному выводу о неправомерности отклонения заявки; также констатировав, что документация о закупке не предусматривает представление участником закупки выписки из ЕГРЮЛ исключительно на бумажном носителе.

Статьи, комментарии, ответы на вопросы: Выписка егрюл с сайта фнс

Нормативные акты: Выписка егрюл с сайта фнс Приказ ФТС России от 27.12.2018 N 2136

«Об утверждении перечня документов, при наличии которых принимается решение о признании сумм таможенных платежей, специальных, антидемпинговых, компенсационных пошлин, пеней, процентов безнадежными к взысканию и об их списании, форм документов, оформляемых таможенными органами при списании сумм таможенных платежей, специальных, антидемпинговых, компенсационных пошлин, пеней, процентов, и Порядка их списания»
(вместе с «Порядком списания признанных безнадежными к взысканию сумм таможенных платежей, специальных, антидемпинговых, компенсационных пошлин, пеней, процентов»)
(Зарегистрировано в Минюсте России 23.01.2019 N 53506)1. При наличии основания, предусмотренного пунктом 1 части 5 статьи 392 Федерального закона от 3 августа 2018 г. N 289-ФЗ «О таможенном регулировании в Российской Федерации и о внесении изменений в отдельные законодательные акты Российской Федерации» (Собрание законодательства Российской Федерации, 2018, N 32, ст. 5082) (далее — Федеральный закон), — выписка из Единого государственного реестра юридических лиц (далее — ЕГРЮЛ), содержащая сведения об исключении из ЕГРЮЛ юридического лица, прекратившего свою деятельность, по решению регистрирующего органа (далее — Выписка из ЕГРЮЛ об исключении) (полученная на официальном интернет-сайте Федеральной налоговой службы www.nalog.ru или из информационных ресурсов таможенных органов), заверенная должностным лицом структурного подразделения таможенного органа, к компетенции которого относится взыскание таможенных платежей (далее — уполномоченное должностное лицо), или справка таможенного органа об отсутствии сведений в Едином государственном реестре юридических лиц и (или) Едином государственном реестре налогоплательщиков в отношении юридического лица по форме согласно приложению N 1 к Перечню документов, при наличии которых принимается решение о признании сумм таможенных платежей, специальных, антидемпинговых, компенсационных пошлин, пеней, процентов безнадежными к взысканию и об их списании, формам документов, оформляемых таможенными органами при списании сумм таможенных платежей, специальных, антидемпинговых, компенсационных пошлин, пеней, процентов (далее — Перечень).

API-ФНС | Помощь

items	Array	Массив результатов поиска (например, при запросе по ИНН может быть возвращена не одна, а несколько записей)
ЮЛ или ИП	object	Тип искомой компании (индивидуальный предприниматель — ИП, юридическое лицо — ЮЛ, НР — представительство иностранного юридического лица)
Поля для ИП:		(любое из полей может отсутствовать)
ФИОПолн	String	Фамилия Имя Отчество индивидуального предпринимателя
ИННФЛ	String	ИНН физического лица
ОГРНИП	String	ОГРН ИП
ДатаРег	String	Дата регистрации ИП в формате YYYY-MM-DD
ВидИП		Индивидуальный предприниматель или глава крестьянского фермерского хозяйства
Пол		Мужской или Женский
ВидГражд		Гражданин РФ или Иностранный гражданин
Статус	String	Статус ИП. Например, «Действующее», Прекратило деятельность и др.
СтатусДата		Дата актуальности статуса в формате YYYY-MM-DD
СпОбрЮЛ		Способ образования юридического лица
ДатаПрекр	String	Дата прекращения деятельности ЮЛ (ИП) (если деятельность прекращена) в формате YYYY-MM-DD
НО	object	Сведения о налоговых органах
Рег	String	Код и наименование регистрирующего (налогового) органа, внесшем запись о юридическом лице
РегДата	String	Дата внесения записи о регистрации
Учет	String	Код и наименование налогового органа, в котором юридическое лицо состоит (для ЮЛ, прекративших деятельность — состояло) на учете
УчетДата	String	Дата постановки на учет в налоговом органе
ПФ	object	Сведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомПФ	String	Регистрационный номер в территориальном органе Пенсионного фонда Российской Федерации
ДатаРегПФ	String	Дата регистрации юридического лица в качестве страхователя
КодПФ	String	Код и наименование территориального органа Пенсионного фонда Российской Федерации
ФСС	object	Сведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомФСС	String	Регистрационный номер в исполнительном органе Фонда социального страхования Российской Федерации
ДатаРегФСС	String	Дата регистрации юридического лица в качестве страхователя
КодФСС	String	Код и наименование исполнительного органа Фонда социального страхования Российской Федерации
Адрес	object	Сведения об адресе в РФ, внесенные в ЕГРЮЛ
КодРегион	String	Код субъекта Российской Федерации
Индекс	String	Индекс
АдресПолн	object	Полный адрес (Регион, Район, Город, Населенный пункт, Улица, Дом, Корпус, Квартира)
Дата	String	Дата внесения информации в ЕГРЮЛ об адресе
E-mail	String	Адрес электронной почты
ОснВидДеят	object	Сведения об основном виде деятельности
Код	String	Код по Общероссийскому классификатору видов экономической деятельности
Текст	String	Наименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
ДопВидДеят	array	Сведения о дополнительных видах деятельности
Код	String	Код по Общероссийскому классификатору видов экономической деятельности
Текст	String	Наименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
СПВЗ	array	Сведения о причинах внесения записей в реестр ЕГРИП
Дата	String	Дата внесения записи в ЕГРЮЛ
Текст	String	Наименование вида записи (причины внесения записи в ЕГРИП)
Лицензии	array	Сведения о лицензиях, выданных ИП
НомерЛиц	String	Серия и номер лицензии
ВидДеятельности	String	Наименование лицензируемого вида деятельности, на который выдана лицензия
ДатаНачала	String	Дата начала действия лицензии
ДатаОконч	String	Дата окончания действия лицензии
МестоДейств	String	Сведения об адресах осуществления лицензируемого вида деятельности (если несколько, то адреса разделяются знаком вертикальной черты \|)
История	object	Исторические сведения о компании
Статус	array	Прошлые статусы организации
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
Адрес	array	Исторические сведения о прошлых адресах компании
Период актуальности данных	object	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресПолн	String	Адрес полный

Поля для ЮЛ:		(любое из полей может отсутствовать)
ИНН	String	ИНН искомой компании
КПП	String	КПП искомой компании
ОГРН	String	ОГРН искомой компании
НаимСокрЮЛ	String	Наименование ЮЛ полное (только для ЮЛ)
НаимПолнЮЛ	String	Наименование ЮЛ краткое (только для ЮЛ)
ДатаРег	String	Дата регистрации ЮЛ в формате YYYY-MM-DD
ОКОПФ		Код по Общероссийскому классификатору организационно-правовых форм. Например, «Общества с ограниченной ответственностью»
Статус	String	Статус ЮЛ (ИП). Например, «Действующее», «Ликвидировано», «В состоянии реорганизации» и др.
СтатусДата		Дата актуальности статуса в формате YYYY-MM-DD
СпОбрЮЛ		Способ образования юридического лица
ДатаПрекр	String	Дата прекращения деятельности ЮЛ (ИП) (если деятельность прекращена) в формате YYYY-MM-DD
НО	object	Сведения о налоговых органах
Рег	String	Код и наименование регистрирующего (налогового) органа, внесшем запись о юридическом лице
РегДата	String	Дата внесения записи о регистрации
Учет	String	Код и наименование налогового органа, в котором юридическое лицо состоит (для ЮЛ, прекративших деятельность — состояло) на учете
УчетДата	String	Дата постановки на учет в налоговом органе
ПФ	object	Сведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомПФ	String	Регистрационный номер в территориальном органе Пенсионного фонда Российской Федерации
ДатаРегПФ	String	Дата регистрации юридического лица в качестве страхователя
КодПФ	String	Код и наименование территориального органа Пенсионного фонда Российской Федерации
ФСС	object	Сведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомФСС	String	Регистрационный номер в исполнительном органе Фонда социального страхования Российской Федерации
ДатаРегФСС	String	Дата регистрации юридического лица в качестве страхователя
КодФСС	String	Код и наименование исполнительного органа Фонда социального страхования Российской Федерации
Капитал	object	Сведения о размере указанного в учредительных документах коммерческой организации уставного капитала
ВидКап	String	Вид капитала. Может принимать значения: «УСТАВНЫЙ КАПИТАЛ», «СКЛАДОЧНЫЙ КАПИТАЛ», «УСТАВНЫЙ ФОНД», «ПАЕВЫЕ ВЗНОСЫ» или «ПАЕВОЙ ФОНД»
СумКап	String	Размер капитала в рублях
Дата	String	Дата внесения информации о капитале
Адрес	object	Сведения об адресе в РФ, внесенные в ЕГРЮЛ
КодРегион	String	Код субъекта Российской Федерации
Индекс	String	Индекс
АдресПолн	object	Полный адрес (Регион, Район, Город, Населенный пункт, Улица, Дом, Корпус, Квартира)
АдресДетали	object	Детализация адреса по составным частям
Регион	String	Регион
Тип	String	Тип региона (область, город, республика, автономный округ и др.)
Наим	String	Наименование региона
Город	String	Город
Тип	String	Тип города (город)
Наим	String	Наименование города
Район	String	Район
Тип	String	Тип района (район, автономная область)
Наим	String	Наименование района
НаселПункт	String	Населенный пункт
Тип	String	Тип населенного пункта (поселок, село, станица, поселок городского типа и др.)
Наим	String	Наименование населенного пункта
Улица	String	Улица
Тип	String	Тип улицы (улица, переулок, проезд, проспект, площадь и др.)
Наим	String	Наименование населенного пункта
Дом	String	Номер дома
Корпус	String	Номер корпуса
Кварт	String	Номер квартиры (офиса и др.)
Дата	String	Дата внесения информации в ЕГРЮЛ об адресе
ПризнНедАдресЮЛ	object	Сведения о недостоверности адреса
Код	String	Признак недостоверности адреса
Текст	String	«Текст о недостоверности сведений Принимает значение: • «сведения недостоверны (результаты проверки достоверности содержащихся в ЕГРЮЛ сведений о юридическом лице)» — если сведения о недостоверности внесены по данным, выявленным НО (Код =2): • «сведения недостоверны (решение суда)» — если сведения о недостоверности внесены на основании решения суда (Код =3).»
РешИзмАдрес	object	Сведения о принятии юридическим лицом решения об изменении места нахождения
НовыйАдрес	String	Полный адрес нового места нахождения
ДатаРеш	String	Дата решения об изменении адреса
Руководитель	object	Сведения о руководителе организации
ВидДолжн	String	Вид должности по справочнику СКФЛЮЛ
Должн	String	Наименование должности
ФИОПолн	String	Фамилия Имя Отчество должностного лица
ИННФЛ	String	ИНН должностного лица
ОГРНИП	String	ОГРН индивидуального предпринимателя — управляющего юридическим лицом
ПризнНедДанДолжнФЛ	object	Сведения о недостоверности данных о лице, имеющем право без доверенности действовать от имени юридического лица
Код	String	Признак недостоверности. Принимает значение: 1, 2 или 3
Текст	String	«Принимает значение: • «сведения недостоверны (заявление физического лица о недостоверности сведений о нем)» — если сведения о недостоверности внесены по заявлению самого ФЛ (Р34001) (Код =1), • «сведения недостоверны (результаты проверки достоверности содержащихся в ЕГРЮЛ сведений о юридическом лице)» — если сведения о недостоверности внесены по данным, выявленным НО (Код =2), • «сведения недостоверны (решение суда)» — если сведения о недостоверности внесены на основании решения суда (Код =3).»
ДатаНачДискв	String	Дата начала дисквалификации лица, имеющем право без доверенности действовать от имени юридического лица
ДатаОкончДискв	String	Дата окончания дисквалификации лица, имеющем право без доверенности действовать от имени юридического лица
Дата	String	Дата внесения в ЕГРЮЛ сведений о руководителе
ИныеРуководители	array	Сведения об иных руководителах в организации
ФИОПолн	String	Фамилия Имя Отчество должностного лица
ИННФЛ	String	ИНН должностного лица
Дата	String	Дата внесения в ЕГРЮЛ сведений о руководителе
ДопИнфо	String	Наименование должности
Учредители	array	Сведения об учредителях (участниках) юридического лица
УчрЮЛ	object	Сведения об учредителе (участнике) — российском юридическом лице
ОГРН		ОГРН ЮЛ
ИНН		ИНН ЮЛ
НаимСокрЮЛ		Наименование ЮЛ сокращенное (только для ЮЛ)
Статус		Статус ЮЛ
УчрИН	object	Сведения об учредителе (участнике) — иностранном юридическом лице
НаимПолнЮЛ	String	Наименование организации
ОКСМ	String	Код в соответствии с Общероссийским классификатором стран мира и наименование страны
РегНомер	String	Регистрационный номер
ДатаРег	String	Дата регистрации
АдресПолн	String	Адрес (место нахождения) в стране происхождения
УчрФЛ	object	Сведения об учредителе (участнике) — физическом лице
ФИОПолн	String	Фамилия Имя Отчество учредителя
ИННФЛ	String	ИНН учредителя
УчрРФСубМО	String	Сведения об учредителе (участнике) — Российской Федерации, субъекте Российской Федерации, муниципальном образовании
СвОргОсущПр	object	Сведения об органе государственной власти, органе местного самоуправления или о юридическом лице, осуществляющем права учредителя (участника)
УчрЮЛ	object	Сведения о юридическом лице, осуществляющем права учредителя (участника)
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
УчрПИФ	object	Сведения о паевом инвестиционном фонде, в состав имущества которого включена доля в уставном капитале
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
СуммаУК	String	Номинальная стоимость доли в рублях
Процент	String	Размер доли (в процентах)
ПризнНедДанУчр		Сведения о недостоверности данных об учредителе (участнике)
Код	String	Признак недостоверности. Принимает значение: 1, 2 или 3
Текст	String	«Принимает значение: • «сведения недостоверны (заявление физического лица о недостоверности сведений о нем)» — если сведения о недостоверности внесены по заявлению самого ФЛ (Р34001) (Код=1), • «сведения недостоверны (результаты проверки достоверности содержащихся в ЕГРЮЛ сведений о юридическом лице)» — если сведения о недостоверности внесены по данным, выявленным НО (Код=2), • «сведения недостоверны (решение суда)» — если сведения о недостоверности внесены на основании решения суда (Код=3).»
Дата	String	Дата внесения в ЕГРЮЛ сведений об учредителе (участнике)
Залогодержатели	array	Сведения о залогодержателе доли
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
ФИОПолн	String	Фамилия Имя Отчество залогодержателя (ФЛ)
ИННФЛ	String	ИНН залогодержателя (ФЛ)
НаимПолнЮЛ	String	Наименование организации залогодержателя (Иностранное лицо)
ОКСМ	String	Код в соответствии с Общероссийским классификатором стран мира и наименование страны
РегНомер	String	Регистрационный номер
ДатаРег	String	Дата регистрации
АдресПолн	String	Адрес (место нахождения) в стране происхождения
ВидОбременения	String	Принимает значение: ЗАЛОГ \| ИНОЕ ОБРЕМЕНЕНИЕ
СрокОбременения	String	Срок обременения или порядок определения срока
Дата	String	Дата внесения в ЕГРЮЛ записи, содержащей указанные сведения об обременении
Предшественники	array	Сведения о правопредшественниках
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
Преемники	array	Сведения о правопреемниках
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
УправлОрг	array	Сведения о доверительном управляющем
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
ДержРеестрАО	array	Сведения о держателе реестра акционеров акционерного общества
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
Участники в реорганизации	array	Сведения об участниках в реорганизации
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
НомТел	String	Номер контактного телефона
E-mail	String	Адрес электронной почты
ОснВидДеят	object	Сведения об основном виде деятельности
Код	String	Код по Общероссийскому классификатору видов экономической деятельности
Текст	String	Наименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
ДопВидДеят	array	Сведения о дополнительных видах деятельности
Код	String	Код по Общероссийскому классификатору видов экономической деятельности
Текст	String	Наименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
СПВЗ	array	Сведения о причинах внесения записей в реестр ЕГРЮЛ
Дата	String	Дата внесения записи в ЕГРЮЛ
Текст	String	Наименование вида записи (причины внесения записи в ЕГРЮЛ или ЕГРИП)
Филиалы	array	Сведения о филиалах и представительствах компании
Тип	String	Филиал или Представительство
Адрес	String	Адрес филиала или представительства
ОткрСведения	array	Сведения, ранее относившиеся к налоговой тайне, но разрешенные Федеральным законом от 1 мая 2016 года № 134-ФЗ
КолРаб	String	Среднесписочное количество работников юридического лица
СведСНР	String	Список специальных налоговых режимов, применяемых компанией: ЕСХН — применение системы налогообложения в виде единого сельскохозяйственного налога, УСН — упрощенной системы налогообложения, ЕНВД — применение системы налогообложения в виде единого налога на вмененный доход, СРП — системы налогообложения при выполнении соглашения о разделе продукции. Режимы перечисляются через запятую, если их несколько. Если нет специальных режимов, то указывается «Нет»
ПризнУчКГН	String	Да — при участии организации в консолидированной группе налогоплательщиков, иначе — Нет
Налоги	array	Информация об уплаченных компанией налогах и сборах за год (по каждому налогу и сбору), а также сведения о суммах недоимки и задолженности по пеням и штрафам (если таковые есть)
НаимНалог	String	Наименование налога или сбора
СумУплНал	String	Сумма уплаченного налога или сбора
СумНедНалог	String	Сумма недоимки по налогу
СумПени	String	Сумма задолженности по пеням
СумШтраф	String	Сумма штрафа из-за недоимки по налогу
ОбщСумНедоим	String	Общая сумма недоимки по налогу, пени и штрафу
СумДоход	String	Сумма доходов по данным бухгалтерской (финансовой) отчетности организации, которые предоставили данную отчетность в ФНС
СумРасход	String	Сумма расходов по данным бухгалтерской (финансовой) отчетности организации, которые предоставили данную отчетность в ФНС
ОтраслевыеПок	object	Сведения об отраслевых показателях, соответствующих основному виду деятельности компании
НалогНагрузка	object	Сведения о среднеотраслевой налоговой нагрузке
Рентабельность	object	Сведения о среднеотраслевой рентабельности
Дата	String	Дата, по состоянию на которую подготовлены данные (в формате YYYY-MM-DD)
Лицензии	array	Сведения о лицензиях, выданных ЮЛ
НомерЛиц	String	Серия и номер лицензии
ВидДеятельности	String	Наименование лицензируемого вида деятельности, на который выдана лицензия
ДатаНачала	String	Дата начала действия лицензии
ДатаОконч	String	Дата окончания действия лицензии
МестоДейств	String	Сведения об адресах осуществления лицензируемого вида деятельности (если несколько, то адреса разделяются знаком вертикальной черты \|)
Участия	array	Сведения об организациях, в капитале которых участвует компания
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Процент	String	Размер доли (в процентах)
СуммаУК	String	Номинальная стоимость доли в рублях
История	object	Исторические сведения о компании
Капитал	array	Исторические сведения о капитале
Период актуальности данных	object	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
СумКап	String	Размер капитала в рублях
НаимЮЛПолн	array	Прошлые полные названия организации
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
НаимЮЛСокр	array	Прошлые сокращенные названия организации
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
Статус	array	Прошлые статусы организации
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
Адрес	array	Исторические сведения о прошлых адресах компании
Период актуальности данных	object	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресПолн	String	Адрес полный
Руководитель	object	Исторические сведения о бывших руководителях
Период актуальности данных	array	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
ФИОПолн	String	Фамилия Имя Отчество бывшего должностного лица
ИННФЛ	String	ИНН бывшего должностного лица
Должн	String	Должность бывшего должностного лица
ПризнНедДанДолжнФЛ	String	Сведения об исторических данных о недостоверности руководителя
Код	String	Признак недостоверности. Принимает значение: 1, 2 или 3
Текст	String	«Принимает значение: • «сведения недостоверны (заявление физического лица о недостоверности сведений о нем)» — если сведения о недостоверности внесены по заявлению самого ФЛ (Р34001) (Код =1), • «сведения недостоверны (результаты проверки достоверности содержащихся в ЕГРЮЛ сведений о юридическом лице)» — если сведения о недостоверности внесены по данным, выявленным НО (Код =2), • «сведения недостоверны (решение суда)» — если сведения о недостоверности внесены на основании решения суда (Код =3).»
ДатаОкончДискв	object	Исторические (удаленные из ЕГРЮЛ) данные о дате окончания дисквалификации руководителя
НомТел	String	Прошлые номера контактного телефона
Период актуальности данных	array	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
E-mail	String	Прошлые адреса электронной почты
Период актуальности данных	array	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
ИныеРуководители	array	Сведения о прошлых иных руководителах в организации
ФИОПолн	String	Фамилия Имя Отчество должностного лица
ИННФЛ	String	ИНН должностного лица
Дата	String	Дата внесения в ЕГРЮЛ сведений о руководителе
ДатаОконч	String	Дата окончания сведений
ДопИнфо	String	Наименование должности
Учредители	array	Сведения о прошлых учредителях (участниках) юридического лица
УчрЮЛ	object	Сведения об учредителе (участнике) — российском юридическом лице
ОГРН		ОГРН ЮЛ
ИНН		ИНН ЮЛ
НаимСокрЮЛ		Наименование ЮЛ сокращенное (только для ЮЛ)
Статус		Статус ЮЛ
УчрИН	object	Сведения об учредителе (участнике) — иностранном юридическом лице
НаимПолнЮЛ	String	Наименование организации
ОКСМ	String	Код в соответствии с Общероссийским классификатором стран мира и наименование страны
РегНомер	String	Регистрационный номер
ДатаРег	String	Дата регистрации
АдресПолн	String	Адрес (место нахождения) в стране происхождения
УчрФЛ	object	Сведения об учредителе (участнике) — физическом лице
ФИОПолн	String	Фамилия Имя Отчество учредителя
ИННФЛ	String	ИНН учредителя
УчрРФСубМО	String	Сведения об учредителе (участнике) — Российской Федерации, субъекте Российской Федерации, муниципальном образовании
СвОргОсущПр	object	Сведения об органе государственной власти, органе местного самоуправления или о юридическом лице, осуществляющем права учредителя (участника)
УчрЮЛ	object	Сведения о юридическом лице, осуществляющем права учредителя (участника)
ОГРН		ОГРН ЮЛ
ИНН		ИНН ЮЛ
НаимСокрЮЛ		Наименование ЮЛ сокращенное (только для ЮЛ)
Статус		Статус ЮЛ
СуммаУК	String	Номинальная стоимость доли в рублях
Процент	String	Размер доли (в процентах)
Дата	String	Дата внесения в ЕГРЮЛ сведений об учредителе (участнике)
ДатаОконч	String	Дата окончания участия учредителя
Предшественники	array	Сведения об исторических правопредшественниках
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
ДатаОконч	String	Дата окончания сведений
Преемники	array	Сведения об исторических правопреемниках
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
ДатаОконч	String	Дата окончания сведений
УправлОрг	array	Сведения об исторических доверительных управляющих
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
ДатаОконч	String	Дата окончания сведений
ДержРеестрАО	array	Сведения об исторических держателях реестра акционеров акционерного общества
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
ДатаОконч	String	Дата окончания сведений
Участники в реорганизации	array	Сведения об исторических участниках в реорганизации
ОГРН	String	ОГРН ЮЛ
ИНН	String	ИНН ЮЛ
НаимСокрЮЛ	String	Наименование ЮЛ сокращенное (только для ЮЛ)
Статус	String	Статус ЮЛ
Дата	String	Дата внесения сведений в ЕГРЮЛ
ДатаОконч	String	Дата окончания сведений

Поля для НР:		(любое из полей может отсутствовать)
ИНН	String	ИНН искомой компании
КПП	String	КПП искомой компании
НЗА	String	Номер записи об аккредитации (НЗА) искомой компании
ПризАк	String	Принимает значение: «Филиал иностранного юридического лица»» или «Представительство иностранного юридического лица»
НО	object	Сведения об учете
Аккр	String	Код налогового органа, уполномоченного на аккредитацию филиалов/представительств иностранных юридических лиц
АккрДата	String	Дата аккредитации (внесения сведений об аккредитации в РАФП)
ДатаПрекрАккр	String	Дата прекращения действия аккредитации (внесения сведений о прекращении действия аккредитации в РАФП)
Учет	String	Код и наименование налогового органа, в котором юридическое лицо состоит (для ЮЛ, прекративших деятельность — состояло) на учете
УчетДата	String	Дата постановки на учет в налоговом органе
НаимПредПолн	String	Полное наименование филиала, представительства иностранного юридического лица
НаимПредСокр	String	Краткое наименование филиала, представительства иностранного юридического лица
НаимЮЛПолн	String	Полное наименование иностранного юридического лица
НаимЮЛСокр	String	Краткое наименование иностранного юридического лица
Адрес	object	Сведения об адресе места нахождения филиала, представительства на территории Российской Федерации
КодРегион	String	Код субъекта Российской Федерации
Индекс	String	Индекс
АдресПолн	object	Полный адрес (Регион, Район, Город, Населенный пункт, Улица, Дом, Корпус, Квартира)
АдресДетали	object	Детализация адреса по составным частям
Регион	String	Регион
Тип	String	Тип региона (область, город, республика, автономный округ и др.)
Наим	String	Наименование региона
Город	String	Город
Тип	String	Тип города (город)
Наим	String	Наименование города
Район	String	Район
Тип	String	Тип района (район, автономная область)
Наим	String	Наименование района
НаселПункт	String	Населенный пункт
Тип	String	Тип населенного пункта (поселок, село, станица, поселок городского типа и др.)
Наим	String	Наименование населенного пункта
Улица	String	Улица
Тип	String	Тип улицы (улица, переулок, проезд, проспект, площадь и др.)
Наим	String	Наименование населенного пункта
Дом	String	Номер дома
Корпус	String	Номер корпуса
Кварт	String	Номер квартиры (офиса и др.)
Руководитель	object	Сведения о руководителе организации
ФИОПолн	String	Фамилия Имя Отчество должностного лица
ИННФЛ	String	ИНН должностного лица
СвИнРабАкт	object	Численность иностранных граждан, являющихся работниками филиала, представительства иностранного юридического лица
История	object	Исторические сведения о компании
НаимПредПолн	array	Прошлые полные названия филиала, представительства иностранного юридического лица
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
НаимПредСокр	array	Прошлые краткие названия филиала, представительства иностранного юридического лица
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
НаимЮЛПолн	array	Прошлые полные названия организации
Период актуальности данных	String	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
Адрес	array	Исторические сведения о прошлых адресах компании
Период актуальности данных	object	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресПолн	String	Адрес полный
Руководитель	object	Исторические сведения о бывших руководителях
Период актуальности данных	array	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
ФИОПолн	String	Фамилия Имя Отчество бывшего должностного лица
ИННФЛ	String	ИНН бывшего должностного лица
СвИнРабАкт	array	Исторические сведения о прошлых численностях иностранных граждан, являющихся работниками филиала, представительства иностранного юридического лица
Период актуальности данных	object	В формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)

Предоставление выписки из Единого государственного реестра налогоплательщиков (ЕГРН) В избранное

Обжалование решений и (или) действий (бездействия) налоговых органов и (или) их должностных лиц при предоставлении государственной услуги, рассмотрение соответствующих жалоб и принятие решений по ним осуществляются в порядке, установленном разделом VII Налогового кодекса Российской Федерации.

Предметом жалобы являются решение, действие (бездействие) налогового органа, его должностных лиц при предоставлении государственной услуги (жалоба), которые, по мнению заявителя, нарушают его права и законные интересы.

Жалоба может быть направлена вышестоящему налоговому органу в соответствии со статьями 138 и 139 Налогового кодекса Российской Федерации.

Жалоба подается и подлежит рассмотрению (оставляется без рассмотрения) в соответствии со статьями 138, 139, 139.2 —140 Налогового кодекса Российской Федерации.

Жалоба подлежит рассмотрению в сроки, предусмотренные статьей 140 Налогового кодекса Российской Федерации.

Основания для приостановления рассмотрения жалобы отсутствуют.

По результатам рассмотрения жалобы вышестоящим налоговым органом, рассматривающим жалобу, принимается решение в соответствии с пунктом 3 статьи 140 Налогового кодекса Российской Федерации.

Решение о результатах рассмотрения жалобы вручается (направляется) заявителю, подавшему эту жалобу, в соответствии с пунктом 6 статьи 140 Налогового кодекса Российской Федерации.

Решение по жалобе вручается (направляется) заявителю в письменной форме или по просьбе заявителя в электронной форме.

Решение по жалобе может быть обжаловано в порядке, предусмотренном пунктом 2 статьи 138 Налогового кодекса Российской Федерации.

Право заявителя на получение информации и документов, необходимых для обоснования и рассмотрения жалобы, осуществляется в соответствии с Налоговым кодексом Российской Федерации.

Информирование заявителей о порядке подачи и рассмотрения жалобы осуществляется в соответствии с пунктом 12 административного регламента.

Предоставление выписки из Единого государственного реестра налогоплательщиков (в части предоставления по запросам физических и юридических лиц выписок из указанного реестра, за исключением сведений, содержащих налоговую тайну)

Физическим лицам и организациям (за исключением государственных органов и их территориальных органов, органов государственных внебюджетных фондов и их территориальных органов, органов местного самоуправления)

Межрайонные инспекции ФНС России №2, №3, №4, №5, №6, №7 по Республике Мордовия и Инспекция ФНС России по Ленинскому району г. Саранска и их территориально обособленные структурные подразделения.

Административный регламент Федеральной налоговой службы предоставления государственной услуги по предоставлению выписки из Единого государственного реестра налогоплательщиков (утв. приказом Минфина России от 30 декабря 2014 г. №178н)

Скачать документ Просмотреть документ

Общий срок предоставления государственной услуги не должен превышать 5 (пять) рабочих дней со дня поступления запроса в налоговый орган.

Государственная услуга предоставляется бесплатно

Конечным результатом предоставления государственной услуги является представление заявителю следующих документов:

выписки из ЕГРН;
справки об отсутствии запрашиваемых сведений.

В случае, если подается запрос о представлении сведений, не подлежащих разглашению в соответствии с законодательством Российской Федерации, включая сведения, составляющие государственную, налоговую или иную охраняемую законом тайну, или сведения конфиденциального характера, заявителю направляется письмо о невозможности предоставления государственной услуги с указанием причин.

Сведения, содержащиеся в ЕГРН, состав которых определяется в соответствии с Приказом Минфина РФ от 30 сентября 2010 г. N 116н «Об утверждении Порядка ведения Единого государственного реестра налогоплательщиков», представляются заявителю с учетом требований, предусмотренных статьей 102 Налогового кодекса Российской Федерации:

о себе — в полном объеме;
об ином физическом лице/иной организации — ИНН иного физического лица/ИНН, КПП иной организации.

ФНС запустила бесплатный сервис для отслеживания изменений в данных о компаниях Статьи редакции

Можно подписаться на информацию о компании и получать уведомления, если она изменит адрес, директора или учредителей.

Сервис заметило издание «Тинькофф-журнал». С его помощью можно узнать об обращениях нужной компании или ИП в налоговую: например, чтобы изменить в госреестре данные об адресе, директоре или составе учредителей.
Чтобы воспользоваться системой, нужно зарегистрироваться на сайте налоговой и указать почту, куда будут приходить уведомления. Для подписки на информацию о компании или ИП нужно знать её ОГРН или ОГРНИП. По ИНН и названию компании искать нельзя, уточнили в «Тинькофф-журнале».

Этот сервис можно использовать для проверки контрагентов, слежения за изменениями в бизнесе собственных компаний и в других случаях — он бесплатный.

13 734 просмотров

{ «author_name»: «Лера Михайлова», «author_type»: «editor», «tags»: [«\u043d\u043e\u0432\u043e\u0441\u0442\u044c»,»\u043d\u043e\u0432\u043e\u0441\u0442\u0438″,»\u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b»], «comments»: 23, «likes»: 33, «favorites»: 60, «is_advertisement»: false, «subsite_label»: «finance», «id»: 51668, «is_wide»: true, «is_ugc»: false, «date»: «Fri, 23 Nov 2018 19:00:26 +0300», «is_special»: false }

{«id»:78969,»url»:»https:\/\/vc.ru\/u\/78969-lera-mihaylova»,»name»:»\u041b\u0435\u0440\u0430 \u041c\u0438\u0445\u0430\u0439\u043b\u043e\u0432\u0430″,»avatar»:»84516d92-b701-d03f-a7c7-e52be4c7a9df»,»karma»:89397,»description»:»»,»isMe»:false,»isPlus»:true,»isVerified»:false,»isSubscribed»:false,»isNotificationsEnabled»:false,»isShowMessengerButton»:false}

{«url»:»https:\/\/booster.osnova.io\/a\/relevant?site=vc»,»place»:»entry»,»site»:»vc»,»settings»:{«modes»:{«externalLink»:{«buttonLabels»:[«\u0423\u0437\u043d\u0430\u0442\u044c»,»\u0427\u0438\u0442\u0430\u0442\u044c»,»\u041d\u0430\u0447\u0430\u0442\u044c»,»\u0417\u0430\u043a\u0430\u0437\u0430\u0442\u044c»,»\u041a\u0443\u043f\u0438\u0442\u044c»,»\u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c»,»\u0421\u043a\u0430\u0447\u0430\u0442\u044c»,»\u041f\u0435\u0440\u0435\u0439\u0442\u0438″]}},»deviceList»:{«desktop»:»\u0414\u0435\u0441\u043a\u0442\u043e\u043f»,»smartphone»:»\u0421\u043c\u0430\u0440\u0442\u0444\u043e\u043d\u044b»,»tablet»:»\u041f\u043b\u0430\u043d\u0448\u0435\u0442\u044b»}},»isModerator»:false}

Блоги компаний

Еженедельная рассылка

Одно письмо с лучшим за неделю

Проверьте почту

Отправили письмо для подтверждения

Кого не коснется расширение доступа ФНС к банковской тайне — Российская газета

Расширение доступа Федеральной налоговой службы (ФНС) к банковской тайне не коснется добросовестных налогоплательщиков. Об этом сообщила пресс-служба Минфина.

Так, закон не меняет полномочий налоговых органов, поскольку ФНС и ранее имела право на получение такой информации, пояснили в министерстве финансов. Банки обязаны выдавать справки о наличии счетов, выписки по операциям на счетах, справки об остатках денежных средств при получении от налоговых органов мотивированного запроса. Это соответствует действующим нормам налогового законодательства, указывают в Минфине.

«В связи с тем, что Россия приняла на себя обязательства по международному обмену информацией в налоговых целях, уточняется перечень сведений, которые банки обязаны будут предоставлять по мотивированному запросу налогового органа. В свою очередь Россия также будет получать такую информацию от других стран», — говорится в сообщении Минфина.

Ранее сообщалось, что с 17 марта ФНС получит расширенный доступ к банковской тайне. Налоговики смогут запрашивать у кредитных организаций копии ряда документов: паспортов клиентов, доверенностей на распоряжение денежными средствами, договора на открытие счета и заявления на его закрытие, карточек с образцами подписей и оттиска печатей. Ответ на запрос банки должны будут предоставить в течение трех дней со дня его получения.

Это также касается информации о бенефициарных владельцах, представителях клиента, выгодоприобретателях или об отдельных операциях за определенный период. Раньше налоговики могли получать данные о счетах и вкладах клиентов банков только в рамках проверок.

Как пояснили в ФНС, закон не предусматривает непосредственного получения доступа к выпискам по операциям на счетах и вкладах физлиц. Режим получения таких сведений останется прежним: только с согласия руководителя вышестоящего налогового органа или руководителя ФНС во время проверок.

Справка для ФНС об оплате медицинских услуг ИНВИТРО

Информация о порядке предоставления справок об оплате медицинских услуг для представления в налоговые органы Российской Федерации

В соответствии с подпунктом 3 пункта 1 статьи 219 Налогового кодекса РФ налогоплательщик имеет право на получение социального налогового вычета в размере суммы, уплаченной им в налоговом периоде за медицинские услуги, оказанные медицинскими организациями ему, его супругу (супруге), родителям, детям (в том числе усыновленным) в возрасте до 18 лет, подопечным в возрасте до 18 лет (в соответствии с перечнем медицинских услуг, утвержденным Правительством РФ), с учетом ограничения по сумме, установленного пунктом 2 статьи 219 Налогового кодекса РФ.

Право на применение социального налогового вычета, предусмотренного подпунктом 3 пункта 1 статьи 219 Налогового кодекса РФ, имеют все плательщики НДФЛ- получатели доходов, облагаемых по ставке 13%.

Справка об оплате медицинских услуг для представления в налоговые органы РФ выдаётся по требованию налогоплательщика, производившего оплату медицинских услуг, и оформляется бесплатно. Справка оформляется в соответствии с Приказом Минздрава РФ N 289, МНС РФ N БГ-3-04/256 от 25.07.2001.

Для получения справки необходимо предоставить документы, подтверждающие произведенные расходы (кассовые чеки, банковские выписки, квитанции, бланки строгой отчетности), и сообщить ФИО налогоплательщика, ИНН налогоплательщика (при его наличии). Срок подготовки справки – до 25 рабочих дней.

Если медицинские услуги оплачены налогоплательщиком для супруга (супруги), родителей или детей, необходимо дополнительно предоставить сведения о ФИО лица, которому были оказаны медицинские услуги, и степени родства с налогоплательщиком. В справке сведения указываются со слов налогоплательщика. В налоговый орган подается копия документа, подтверждающего степень родства (например, свидетельство о рождении, свидетельство о браке), налоговый орган вправе запросить оригинал документа.

Порядок оформления справки уточняйте у администраторов Медицинских офисов и по телефонам справочно-информационной службы 8 (495) 363-0-363 (для звонков из Москвы), 8 (800) 200-363-0 (для звонков из регионов, звонок по России бесплатный).

Внимание! Уважаемые пациенты! Справка установленного образца выдается только при наличии документов, подтверждающих произведённые расходы. Обращаем Ваше внимание, утерянные, выцветшие кассовые чеки не восстанавливаются.

SCIRP с открытым доступом

Недавно опубликованные статьи

Подробнее >>

Влияние изменения климата на сельскохозяйственное производство в Эфиопии: применение динамической вычислимой модели общего равновесия ()

Рахель Соломон, Белей Симане, Бенджамин Ф. Зайчик

Американский журнал изменения климата Vol.10 No1, 17 марта 2021 г.

DOI: 10.4236 / ajcc.2021.101003 23 Загрузки 96 Просмотры

Совместная оценка воздействия наводнения в некоторых сообществах в Локодже, штат Коги, Нигерия ()

Феликс Ндуксон Буба, Самам Обаго, Окибе Огар, Фелисия Олуватойин Аджайи

Американский журнал изменения климата Vol.10 No1, 17 марта 2021 г.

DOI: 10.4236 / ajcc.2021.101002 20 Загрузки 49 Просмотры

Нелинейный электростатический «колеблющийся» осциллятор ()

Хайдуке Сарафян

Американский журнал вычислительной математики Vol.11 No1, 17 марта 2021 г.

DOI: 10.4236 / ajcm.2021.111004 11 Загрузок 40 Просмотры

О двойственных свойствах многочленов Гурвица I ()

Gastón Vergara-Hermosilla

Американский журнал вычислительной математики Vol.11 No1, 17 марта 2021 г.

DOI: 10.4236 / ajcm.2021.111003 11 Загрузок 30 Просмотры

Как учителя санитарного просвещения начинают свой урок: качественное исследование образовательных кампусов Непала ()

Кусум Радж Субеди, Бхагван Арьял, Супрабха Субеди

Творческое образование Vol.12 No3, 17 марта 2021 г.

DOI: 10.4236 / ce.2021.123039 17 Загрузки 39 Просмотры

Метод полиномиального времени для решения равновесий по Нэшу игр с нулевой суммой ()

Ёсихиро Танака, Мицуру Тогаши

Американский журнал вычислительной математики Vol.11 No1, 17 марта 2021 г.

DOI: 10.4236 / ajcm.2021.111002 9 Загрузок 29 Просмотры

Носовая локализация опухоли Абрикософа, наблюдаемая в справочной больнице Яунде ()

Ив Кристиан Андджок Нкуо, Антуан Бола Сиафа, Давид Минджа Эко, Винни Анумедем, Франсуа Джому, Ричард Нджок

Международный журнал клинической медицины Vol.12 No3, 17 марта 2021 г.

DOI: 10.4236 / ijcm.2021.123009 7 Загрузок 27 Просмотры

Подход прямой эффективной вязкости для моделирования и моделирования флюидов Бингема с помощью метода Больцмана кумулянтной решетки ()

Мартин Гейер, Константин Кучер, Манфред Крафчик

Открытый журнал гидродинамики Vol.11 No1, 17 марта 2021 г.

DOI: 10.4236 / ojfd.2021.111003 11 Загрузок 27 Просмотры

Настройка предшествующей ковариации в обобщенных методах наименьших квадратов ()

Уильям Менке

Прикладная математика Vol.12 No3, 17 марта 2021 г.

DOI: 10.4236 / am.2021.123011 7 Загрузки 31 Просмотры

Ацетоновый экстракт Dioscorea alata ингибирует пролиферацию клеток в раковых клетках ()

Кенрой Уоллес, Хелен Асемота, Уэсли Грей

Американский журнал наук о растениях Vol.12 No3, 17 марта 2021 г.

DOI: 10.4236 / ajps.2021.123019 5 Загрузок 27 Просмотры

(PDF) Контролируемая трансдермальная доставка лекарственного средства полимерного гидрогеля на основе экстракта Theobroma cacao против микробного и окислительного повреждения кожи

S. Agarwal et al.

10.4236 / fns.2019.1010088 1234 Food and Nutrition Sciences

lator Эффекты и фармакокинетика кофеина при астме.

The

New England Jour-

nal of Medicine

, 22, 743-746. https://doi.org/10.1056/NEJM198403223101202

[75] Бенджамин, Б. и Куб, Г.Ф. (2014) Что держит нас в бодрствовании: Neuropharmacol-

ogy of Stimulants and Wakefulness Adications.

Сон

, 27, 1181-1194.

https://doi.org/10.1093/sleep/27.6.1181

[76] Ровей В., Чаноин Ф. и Бенедетти С. (2018) Фармакокинетика Теобро-

mine: исследование диапазона доз.

Британский журнал клинической фармакологии

, 14, 769-778.

https://doi.org/10.1111/j.1365-2125.1982.tb02035.x

[77] Уайт-младший, Дж. Р.,

и др.

. (2008) Фармакокинетический анализ и сравнение какао

, вводимого быстро или медленно с охлажденным или горячим кофе по сравнению с охлажденным напитком

, для здоровых молодых взрослых.

Клиническая токсикология

, 54, 308-312.

[78] Барри, Б.W. (2001) Новые механизмы и устройства для обеспечения успешной передачи лекарств —

mal.

Европейский журнал фармацевтических наук

, 14, 101-114.

[79] Sordo, L.,

et al.

. (2004) Трансдермальная доставка лекарств: обзор.

Current Drug Deli —

very

, 142, 1-13.

[80] Мурти П.С. и Манонмани, Х.К. (2009) Физико-химические, антиоксидантные и ан-

тимикробные свойства индийского муссонного кофе.

European Food Research и

Technology

, 229, 645-650. https://doi.org/10.1007/s00217-009-1098-9

[81] Карч, С. (2007) Зависимость и медицинские осложнения злоупотребления наркотиками. CRC

Press, Бока-Ратон, Флорида. https://doi.org/10.1201/9781420054446

[82] Калатаюд, М., Лопес-де-Дикастильо, К., Лопес-Карбальо, Г., Велес, Д., Эрнандес

Муньос, П. и Гравари, Р. (2013) Активные пленки на основе экстракта какао с антиоксидантом

, противомикробные и биологические применения.

Пищевая химия

, 139, 51-58.

https://doi.org/10.1016/j.foodchem.2013.01.097

[83] Чжэн, Ф., Нсор-Атинд, Дж., Мотиби, К., Банора, М. и Ланока, К. (2012) Quantifi-

катион общего содержания полифенолов и антимикробной активности какао (

Theo-

broma cacao

L.) Скорлупа бобов.

Пакистанский журнал питания

, 11, 672-677.

https://doi.org/10.3923/pjn.2012.672.677

[84] Lateef, A.,

et al.

. (2016) Опосредованный экстрактом шелухи какао биосинтез серебра

гидрочастиц: его антимикробная, антиоксидантная и ларвицидная активность.

Журнал

Гидроструктура в химии

, 6, 159-169.

https://doi.org/10.1007/s40097-016-0191-4

[85] Тодороки В., Милинкович М., Видович Б., Тодорович З. и Собайич С. (2017 г. ) Cor-

взаимосвязь между антимикробной, антиоксидантной активностью и полифенолами алка-

лизированных / нещелоченных какао-порошков.

Journal of Food Science

, 82, 1020-1027.

https://doi.org/10.1111/1750-3841.13672

[86] Bubonja-Sonje, M., Giacometti, J. и Abram, M. (2011) Antioxidant and Antilis-

terial Activity of Olive Oil , Полифенолы экстракта какао и розмарина.

Food Chemi-

stry

, 127, 1821-1827. https://doi.org/10.1016/j.foodchem.2011.02.071

[87] Ади-Дако, О., Офори-Квакье, К., Фримпонг Мансо, С., Боаке-Гьяси, М., Sasu, C.

и Поби, М. (2016) Физико-химические и противомикробные свойства стручка какао

Пектин из шелухи, предназначенный в качестве универсального фармацевтического наполнителя и нутрицевтика.

Фармацевтический журнал

, 2016, Идентификатор статьи: 7608693.

https://doi.org/10.1155/2016/7608693

[88] Хуанг, Ю.,

и др.

. (2009) Эффекты лютеолина и кверцетина, ингибиторов киназы тирозина

, на рост клеток и свойства, связанные с метастазами в клетках A431, превышающих

, экспрессирующих рецептор эпидермального фактора роста.

Британский журнал фармакологии

128, 999-1010. https://doi.org/10.1038/sj.bjp.0702879

[89] Спенсер, Дж., Чаудри, Ф., Паннала, А., Срай, С., Дебнам, Э. и Райс-Эванс, С. . (2000)

Контролируемые методы извлечения клинических событий из кардиологических отчетов на итальянском языке

Клинические описания являются ценным источником информации как для ухода за пациентами, так и для биомедицинских исследований. Учитывая неструктурированный характер медицинских отчетов, требуются специальные автоматические методы для извлечения соответствующих сущностей из таких текстов.В сообществе обработки естественного языка (NLP) эта задача часто решается с помощью контролируемых методов. Для разработки таких методов необходимы как надежно аннотированные корпуса, так и тщательно разработанные функции. Несмотря на недавние достижения в области сбора и аннотации корпусов, исследования по нескольким доменам и языкам все еще ограничены. Кроме того, для вычисления характеристик, необходимых для контролируемой классификации, необходимы подходящие инструменты для конкретных языков и предметных областей.

В этой работе мы предлагаем новое приложение рекуррентных нейронных сетей (RNN) для извлечения событий из медицинских отчетов, написанных на итальянском языке.Чтобы обучить и оценить предлагаемый подход, мы аннотировали корпус из 75 кардиологических отчетов, в общей сложности 4365 упоминаний соответствующих событий и их атрибутов (например, полярности). Для задачи аннотации мы разработали специальные инструкции по аннотации, которые предоставляются вместе с этим документом.

Классификатор на основе RNN обучен на обучающей выборке, включающей 3335 событий (60 документов). Полученная модель была интегрирована в конвейер НЛП, который использует подход поиска по словарю для поиска соответствующих концепций внутри текста.Тестовый набор из 1030 событий (15 документов) использовался для оценки и сравнения различных конфигураций конвейера. В качестве основного результата использование классификатора на основе RNN вместо подхода поиска по словарю позволило увеличить полноту с 52,4% до 88,9% и точность с 81,1% до 88,2%. Кроме того, используя комбинацию этих двух методов, мы получили окончательную запоминаемость, точность и оценку F1 91,7%, 88,6% и 90,1% соответственно. Эти эксперименты показывают, что интеграция хорошо работающего классификатора на основе RNN со стандартным подходом, основанным на знаниях, может быть хорошей стратегией для извлечения информации из клинического текста на языках, отличных от английского.

Bioconductor Forum

@ giroudpaul-10031

Был 15 месяцев назад

Франция

Привет,

Итак, у меня есть этот набор данных http://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE5099

, и я просто хочу извлечь важные гены DE между некоторыми условиями.

Я новичок в этом, но пока, следуя советам сначала сделать чипы hgu133A, я там:

 celpath = "C: / Users / Paul / Documents / Microarray / GSE5099 / CEL / U133A /"
fns = list.celfiles (путь = celpath, full.names = TRUE)
cat ("Чтение файлов: \ n", paste (fns, collapse = "\ n"), "\ n")
data = ReadAffy (celfile.path = celpath)

ph = dataA @ phenoData
ph @ data
ph @ data [, 1] = c («M0_1», «M0_2», «M0_3», «Md_1», «Md_2», «Md_3», «Mph_1», «Mph_2», «Mph_3», «M1_1», «M1_2», «M1_3», «M2_1», «M2_2», «M2_3»)
ph @ data [, 2] = c («M0», «M0», «M0», «Md», «Md», «Md», «Mph», «Mph», «Mph», «M1», «М1», «М1», «М2», «М2», «М2»)
colnames (ph @ data) [2] = "источник"
ph @ data

данные.rma = rma (данные)

### Аннотировать
ID <- featureNames (data.rma)
Символ <- getSYMBOL (ID, "hgu133a.db")
fData (data.rma) <- data.frame (Symbol = Symbol)

# создать матрицу дизайна на основе образца аннотации
группы = ph @ data $ source
f = коэффициент (группы, уровни = c («M0», «Md», «Mph», «M1», «M2»))
design = model.matrix (~ 0 + f)
colnames (дизайн) = c («M0», «Md», «Mph», «M1», «M2»)
data.fit = lmFit (data.rma, дизайн)

## делать попарные сравнения между группами
Contrast.matrix = makeContrasts (Md-M0, Mph-M0, M1-M0, M2-M0, M1-Mph, M2-Mph, M2-M1, уровни = дизайн)
данные.fit.con = Contrasts.fit (data.fit, Contrasts.matrix)
data.fit.con.eb = eBayes (data.fit.con)

topTable (data.fit.con.eb, n = 10, adjust = "BH")

(я также сделал несколько графиков качества, которые я не включил сюда, так как все в порядке)

Затем я прочитал много сообщений и учебников, в которых предлагается фильтровать зонды. Поскольку я просто хочу извлечь список генов со значительной DE для каждого моего контраста. На данный момент я использовал этот фильтр, который фильтрует около 2500 строк из 22283 в данных. Rma

 ## Фильтрация:
данные.AFFX ") $ eset
тусклый (data.rma)
тусклый (data.filt)

Однако он удаляет датчики AFFX, которые я мог бы использовать для определения отсечения p.value с помощью этого

 результатов = detectTests (data.fit.con.eb, method = 'global', adjust.method = "BH", p.value = 0,05, lfc = 1)
i <- grep ("AFFX", featureNames (data.rma))
сводка (data.fit.con.eb $ F.p.value [i])
результаты <- classifyTestsF (data.fit.con.eb, p.value = 0.00000018)
сводка (результаты)

Я читал, что чем меньше пробников для eBayes, тем лучше, но, возможно, я не все так хорошо понял.

Мои вопросы:

Все ли я сделал правильно?
Должен ли я сначала фильтровать, а потом делать eBayes? Меняется мало, но все же значение F.p. с фильтрацией немного выше.
Если я удалю датчики AFFX, как мне выбрать отсечение моего значения F.p.?

Спасибо за помощь

> sessionInfo ()
R, версия 3.2.4, исправленная (16.03.2016 r70336)
Платформа: x86_64-w64-mingw32 / x64 (64-разрядная)
Работает под: Windows> = 8 x64 (сборка 9200)

локаль:
[1] LC_COLLATE = French_France.1252 LC_CTYPE = French_France.1252 LC_MONETARY = French_France.1252
[4] LC_NUMERIC = C LC_TIME = French_France.1252

прилагаемые базовые пакеты:
[1] stats4 параллельная статистика графика grDevices использует базы данных наборов данных

другие прикрепленные пакеты:
 [1] hgu133bcdf_2.18.0 hgu133bprobe_2.18.0 hgu133b.db_3.2.2 hgu133aprobe_2.18.0
 [5] hgu133acdf_2.18.0 hgu133a.db_3.2.2 org.Hs.eg.db_3.2.3 KEGG.db_3.2.2
 [9] GSEABase_1.32.0 annotate_1.48.0 XML_3.98-1.4 GOstats_2.36.0
[13] graph_1.48.0 Category_2.36.0 GO.db_3.2.2 RSQLite_1.0.0
[17] DBI_0.3.1 АннотацияDbi_1.32.3 IRanges_2.4.8 S4Vectors_0.8.11
[21] affydata_1.18.0 simpleaffy_2.46.0 genefilter_1.52.1 affyPLM_1.46.0
[25] preprocessCore_1.32.0 gcrma_2.42.0 affy_1.48.0 BiocInstaller_1.20.1
[29] Biobase_2.30.0 BiocGenerics_0.16.1 ggplot2_2.1.0 rpart_4.1-10
[33] Матрица_1.2-4 решетка_0.20-33 limma_3.26.9

загружается через пространство имен (и не прикрепляется):
 [1] Rcpp_0.12.4 plyr_1.8.3 XVector_0.10.0 tools_3.2.4
 [5] zlibbioc_1.16.0 gtable_0.2.0 Biostrings_2.38.4 grid_3.2.4
 [9] RBGL_1.46.0 Survival_2.38-3 scale_0.4.0 splines_3.2.4
[13] AnnotationForge_1.12.2 colorspace_1.2-6 xtable_1.8-2 munsell_0.4.3
[17] affyio_1.40.0

новаторских подходов, основанных на особенностях, для извлечения взаимодействий между лекарствами из биомедицинского текста | Биоинформатика

Абстрактные

Мотивация: Знание о лекарственном взаимодействии (DDI) имеет решающее значение для медицинских работников, чтобы избежать побочных эффектов при совместном назначении лекарств пациентам. Поскольку большинство вновь обнаруженных DDI становятся доступными через научные публикации, автоматическое извлечение DDI очень актуально.

Результатов: Мы предлагаем новый функциональный подход для извлечения DDI из текста. Наш подход состоит из трех шагов. Во-первых, мы применяем предварительную обработку текста для преобразования входных предложений из заданного набора данных в структурированные представления. Во-вторых, мы сопоставляем каждую пару DDI-кандидатов из этого набора данных в подходящую синтаксическую структуру. На основе этого новый набор функций используется для генерации векторов признаков для этих пар кандидатов DDI. В-третьих, полученные векторы признаков используются для обучения классификатора машины опорных векторов (SVM).При оценке на двух тестовых наборах данных DDI за 2011 и 2013 годы наша система получила F-баллы 71,1% и 83,5% соответственно, превзойдя любую современную систему извлечения DDI.

Доступность и реализация : Исходный код доступен для академического использования по адресу http://www.biosemantics.org/uploads/DDI.zip

Контакт : [email protected]

1 ВВЕДЕНИЕ

Взаимодействие лекарств с лекарствами (DDI) - это ситуация, когда одно лекарство усиливает или снижает эффект другого лекарственного средства (Tari et al., 2010). Информация о DDI имеет решающее значение для приема лекарств, чтобы избежать побочных реакций на лекарства или терапевтической неудачи (van Roon et al. , 2009). Например, в недавнем исследовании сообщается, что DDI являются важной причиной госпитализаций (Dechanont et al. , 2014). Несмотря на то, что для поиска известных DDI доступны специализированные базы данных, такие как DrugBank (http://www.drugbank.ca) или Micromedex (http://micromedex.com), их охват ограничен, и есть расхождения в списках DDI между существующими базами данных. (Wong et al., 2008). Как следствие, большинство вновь обнаруженных DDI необходимо извлекать из научных публикаций (Herrero-Zazo et al. , 2013). Методы интеллектуального анализа текста, такие как автоматическое извлечение отношений, успешно применялись в крупномасштабных экспериментах для извлечения различных типов отношений [например, белок-белковые взаимодействия (ИПП), ген-болезнь] (Hahn et al. , 2012; Rebholz-Schuhmann et al. , 2012). Следовательно, автоматические методы извлечения DDI могут быть особенно актуальны для эффективного извлечения DDI и соответствующих данных из научной литературы.

Для разработки и оценки автоматических методов извлечения DDI, корпус DDI был создан Herrero-Zazo et al. (2013). Этот корпус был вручную аннотирован 18 502 фармакологическими веществами, в основном состоящими из дженериков и торговых марок, и 5028 DDI. С появлением этого корпуса и появлением двух проблем извлечения DDI в 2011 и 2013 годах (Segura-Bedmar et al. , 2011a, 2013) было предложено несколько подходов для извлечения DDI из биомедицинского текста.В обеих задачах системы, основанные на подходах машинного обучения (ML), были доминирующими и достигли лучших результатов (Segura-Bedmar et al. , 2011a, 2013). В этих системах задачи извлечения DDI моделируются как задачи классификации, где каждая пара-кандидат DDI классифицируется как взаимодействующая пара или нет. Для построения моделей классификации данные из аннотированных корпусов DDI часто преобразуются в более структурные представления с использованием различных инструментов обработки естественного языка (NLP).Среди этих систем на основе машинного обучения наиболее популярными являются методы опорных векторных машин (SVM) (Segura-Bedmar et al. , 2013). В целом, системы извлечения DDI на основе ML можно разделить на две группы, а именно методы на основе функций и ядра.

В системах на основе признаков каждый экземпляр данных представлен как вектор признаков в n-мерном пространстве. Основное внимание в этих системах уделяется определению функций, которые потенциально лучше всего представляют характеристики данных. Для задач извлечения DDI использовались различные типы функций - от лексической до синтаксической и семантической информации.Например, Segura-Bedmar et al. (2011b) разработал систему, использующую набор слов и особенности местного контекста. Чтобы повысить производительность систем, основанных на функциях, некоторые авторы объединяют несколько типов функций в надежде, что эти функции могут дополнять друг друга. He et al. (2013) представила систему, в которой используются лексические, семантические и предметные знания. Чоудхури и Лавелли (2013a) предложили систему, сочетающую в себе разнородные особенности. Их система включает лексические, синтаксические, семантические и отрицательные особенности, полученные из предложений и соответствующих им деревьев синтаксического анализа.

В системах на основе ядра структурные представления экземпляров данных, например используются синтаксические деревья синтаксического анализа или графы зависимостей. Были предложены различные ядра для количественной оценки сходства между двумя экземплярами путем вычисления сходства их представлений. Эти ядра отличаются друг от друга в зависимости от того, как используются синтаксические представления и как вычисляются функции подобия (Tikk et al. , 2013). Для задач извлечения DDI использование ядер зависит от участвующих систем.Среди них наиболее часто используемые ядра - это ядро графа всех путей (Airola и др. , 2008), неглубокое лингвистическое ядро (Giuliano и др. , 2006) и ядро дерева с вложенными путями (Moschitti, 2004). Поскольку предлагаемые ядра используют различные типы структурных представлений и функций подобия, все они имеют свои плюсы и минусы. Чтобы компенсировать слабость каждого отдельного ядра, часто используется комбинация ядер. Например, Чоудхури и Лавелли (2013b) предложили гибридное ядро, которое объединяет три разных ядра.Их система достигла лучших результатов в испытании DDI extract 2013 (Задача 2). Более того, объединение может происходить на уровне вывода (ансамблевой подход), где выходные данные нескольких систем объединяются с использованием схемы голосования. Thomas et al. (2011) разработал систему, которая объединяет выходные данные двух систем на основе ядра и систему рассуждений на основе случая с использованием схемы мажоритарного голосования. Эта система дала лучший результат в испытании DDI Extraction 2011.

Хотя системы, использующие только ядра, основанные на признаках, не показали наилучшей производительности в задачах извлечения DDI, ядра на основе признаков по-прежнему играют важную роль в задачах извлечения отношений.Фактически, обе команды, победившие в испытаниях DDI extract 2011 и 2013, используют ядра на основе функций, предложенные Джулиано и др. (2006) как часть их систем. Кроме того, Miwa et al. (2009) показали, что их система извлечения PPI на основе признаков достигла самых современных результатов на пяти корпусах PPI. Недавнее исследование Tikk et al. (2013) о производительности различных типов ядер для задач извлечения PPI также предполагает, что для повышения производительности текущих систем извлечения PPI следует изучить новые наборы функций, а не новые функции ядра.Это предложение может также применяться к задачам извлечения DDI, поскольку большинство современных подходов к извлечению пар DDI также ранее использовалось для извлечения пар PPI.

В этой статье мы предлагаем новый функциональный подход для извлечения DDI из биомедицинского текста. Наш подход отличается от существующих подходов двумя способами. Сначала мы разделяем пары DDI-кандидатов на пять групп в зависимости от их синтаксической структуры. Во-вторых, мы применяем набор новых функций, оптимизированных для каждой группы на основе синтаксических свойств.Наши результаты показывают, что предлагаемая система достигает лучших результатов с точки зрения F-баллов и эффективности производительности по сравнению с современными системами извлечения DDI.

2 МЕТОДА

Наш метод состоит из трех шагов. Во-первых, мы применяем предварительную обработку текста для преобразования входных предложений в структурированные представления. Во-вторых, вектор признаков для каждой пары кандидатов DDI извлекается из соответствующего структурированного представления с использованием предопределенных наборов признаков.На последнем этапе полученные векторы признаков используются для обучения классификатора SVM для создания прогнозной модели, которая используется для классификации пар DDI-кандидатов тестового набора данных.

2.2 Предварительная обработка текста

Этап предварительной обработки текста состоит из фильтрации нерелевантных предложений, скрытия сущностей, токенизации слов, тегирования части речи (POS) и синтаксического анализа предложений с помощью поверхностного синтаксического анализатора. Мы вручную создали список из 292 триггерных слов, объединив список триггерных слов, ранее использовавшихся для извлечения PPI (Bui et al., 2011) и некоторые триггерные слова, относящиеся к DDI, взятые из обучающего набора данных. Предложения, содержащие одно лекарство или не содержащие триггерного слова, отфильтровываются. Затем, чтобы улучшить обобщение вводимых предложений, все названия лекарств скрыты путем присвоения им названий как DRUGi, где i - это индекс лекарства. Затем каждое предложение токенизируется и POS-точки маркируются с помощью инструментария LingPipe NLP (http://alias-i.com/lingpipe). Наконец, токены и их теги используются в качестве входных данных для поверхностного анализатора OpenNLP (https: // opennlp.apache.org/) для создания чанков.

2.3 Структурированное представление

Мы адаптируем структурированное представление, предложенное Bui and Sloot (2012), для выражения кандидатных пар DDI. Это структурированное представление, которое состоит из трех синтаксических уровней (фрагмент, фраза и предложение), создается на основе фрагментов, выводимых из неглубокого синтаксического анализатора. Поскольку есть много случаев, когда пары DDI охватывают более одного предложения, мы представляем эти случаи, используя несколько отдельных предложений.Мы модифицируем структурированное представление следующим образом:

Фраза : состоит из списка фрагментов (т. Е. Вывода поверхностного синтаксического анализатора). На рисунке 1b показаны примеры фраз (пунктирные прямоугольники), которые состоят из фрагментов существительных (NC; простые прямоугольники), соединенных фрагментами предлогов (PC; затененные прямоугольники).

Рис. 1.

Структурированное представление пар DDI. ( a ) Примеры положительных пар DDI, выраженных предложением. ( b ) Примеры положительной пары DDI, выраженной фразой (тема), и отрицательных пар DDI, обозначенных пунктирными линиями, выраженных предложением.( c ) Пример сложного предложения, состоящего из нескольких предложений. Пары DRUG1 – DRUG2 и DRUG2 – DRUG3 охватывают два раздела, тогда как пара DRUG1 – DRUG3 охватывает три раздела.

Рис. 1.

Структурированное представление пар DDI. ( a ) Примеры положительных пар DDI, выраженных предложением. ( b ) Примеры положительной пары DDI, выраженной фразой (тема), и отрицательных пар DDI, обозначенных пунктирными линиями, выраженных предложением.( c ) Пример сложного предложения, состоящего из нескольких предложений. Пары DRUG1 – DRUG2 и DRUG2 – DRUG3 охватывают два предложения, тогда как пара DRUG1 – DRUG3 охватывает три предложения

Пункт : состоит из части глагола и двух фраз, расположенных слева и справа от глагола. кусок. Сложные предложения представлены несколькими предложениями. Например, на рисунке 1a показано предложение, в котором есть глагольный фрагмент, связанный с левой фразой (подлежащее) и правой фразой (объект).На рисунке 1c показано сложное предложение, состоящее из трех предложений. Кроме того, чтобы уменьшить количество предложений, генерируемых для каждого входного предложения, для построения структурированного представления используются только блоки глаголов, принадлежащие основным предложениям.

С помощью предложенного структурированного представления мы можем выразить взаимосвязь почти всех пар наркотиков. На рисунках 1a и b показаны примеры пар лекарств, которые взаимодействуют (положительный DDI) и не взаимодействуют (отрицательный DDI), выраженные структурированными представлениями.

2.3 Характеристики

В этом разделе мы описываем набор новых функций, специально разработанных для использования сильных сторон структурированных представлений. Чтобы сгенерировать функции для каждой пары DDI-кандидатов, мы находим наименьший синтаксический контейнер (например, фразу, предложение или предложения) из структурированного представления, содержащего эту пару. Например, наименьший синтаксический контейнер пары DRUG1 – DRUG2 на рисунке 1b - это фраза, тогда как наименьший синтаксический контейнер пары DRUG2 – DRUG3 на рисунке 1c включает два предложения.Для данной пары DDI-кандидата и ее синтаксического контейнера мы проверяем, содержит ли синтаксический контейнер какие-либо триггерные слова. Если синтаксический контейнер функционирует как подлежащее, мы также проверяем его правый блок глагола на наличие слов-триггеров, поскольку бывают случаи, когда слова-триггеры принадлежат не субъектам, а их правым блокам глаголов. Если триггерное слово не обнаружено, то DDI-пара-кандидат пропускается, в противном случае в зависимости от типа контейнера (например, тема, предложение) генерируются следующие признаки:

Лексические признаки : используются для фиксации отношений между каждым лекарственным средством пара DDI кандидата и окружающие ее токены.Эти отношения могут выявить синтаксическую роль наркотика во фразе, содержащей его, например, является ли наркотик частью координации или сокращением другого наркотика. Лексическими характеристиками каждого лекарства являются три токена слева и три токена справа от этого препарата. Левая и правая лексемы различаются добавлением суффиксов _L и _R соответственно. Кроме того, если токен является лекарством (например, DRUG1 или DRUG2), то этот токен заменяется на «arg». Например, лексические характеристики DRUG2 на рисунке 1b следующие: of_L, arg_L, with_L.Поскольку DRUG2 является последним токеном в этой фразе, с правой стороны не извлекается никакой функции.

Функции фразы : применимы для пары DDI-кандидата, синтаксическим контейнером которой является фраза. Эти функции предназначены для захвата отношений пары-кандидата DDI и запуска слов, принадлежащих фразе, содержащей эту пару. Для каждого триггерного слова мы определяем его относительное положение во фразе, проверяя следующие случаи:

Триггер [подготовка] * arg1 [подготовка] * arg2 (случай 1)
Arg1 [подготовка] * триггер [подготовка ] * arg2 (case 2)
Arg1 [prepare] * arg2 [prepare] * trigger (case 3)

Здесь prepare - это предлоги, соединяющие блоки, содержащие триггер и пару DDI.Arg1 и arg2 - препараты из пары (упорядоченных) кандидатов DDI. "*" Означает, что требуется ноль или более предлогов. На основе полученного случая создаются соответствующие признаки для представления положения между триггером и парой DDI-кандидата (т.е. слева, в середине или справа) и для указания, какие предлоги используются для соединения триггера и целевой пары, а также фрагментов. между препаратами целевой пары. Например, для пары DRUG1 – DRUG2 на рис. 1b сгенерированы функции use_of_arg1 и arg1_with_arg2_case1 .Кроме того, если есть отрицательный модификатор (например, нет, не), который принадлежит тому же фрагменту, который содержит триггер, мы вставляем модификатор в качестве префикса для этого триггера.

Поскольку автоматическое определение того, какой триггер действительно имеет отношение (т. Е. Управляет) выбранной парой DDI, нетривиально, все обнаруженные триггеры используются для генерации признаков фразы.

Признаки глагола : набор слов (униграммы и биграммы), сгенерированный из блока глагола предложения, которому принадлежит пара DDI-кандидат.Особенности глагола указывают на то, как связаны между собой наркотик в левой фразе (подлежащее) и наркотик в правой фразе (объект).

Синтаксические признаки : предназначены для улавливания синтаксической структуры, окружающей каждое лекарство из пары DDI-кандидата во фразе, к которой он принадлежит. Для этого мы присваиваем индексы всем предшествующим существительным и предлогам, которые связаны с существительным, содержащим это лекарство. Кроме того, мы также проверяем, есть ли какое-либо лекарство, заменяющее это лекарство, и какие предлоги используются для их связи.Например, синтаксические признаки, сгенерированные для DRUG1 на рисунке 1b: NC1 , PC2 , has_more_args и with_arg . Вместе с особенностями глагола синтаксические особенности особенно помогают различать пары DDI, в которых лекарство регулируется предшествующими ему фрагментами существительного, и пары DDI, в которых наркотики объединены в две фразы (т. Е. Субъект и объект) предложения. Например, рассмотрим положительную пару DRUG1 – DRUG2 на рисунке 1a и отрицательную пару DRUG2 – DRUG3 на рисунке 1b.Хотя обе пары имеют одинаковую последовательность токенов, если используется синтаксическая структура, то DRUG1 на рисунке 1a и DRUG2 на рисунке 1b имеют совершенно разные синтаксические особенности.

Вспомогательные функции : состоят из трех функций, которые собирают информацию, относящуюся к лекарствам целевой пары. В частности, первая функция отслеживает, являются ли названия лекарств из пары настоящими именами по сравнению с местоимениями (например, эти препараты, этот препарат). Вторая особенность указывает, имеют ли препараты одинаковое название, а третья особенность указывает, находятся ли целевые препараты в одном и том же блоке.

2.4 Разделение пар DDI

В предыдущем исследовании Bui et al. (2011) показал, что разделение пар-кандидатов PPI на основе синтаксических свойств и выбор специфичной для раздела функции улучшают производительность их системы извлечения PPI. Следуя этой стратегии, мы классифицируем пары DDI-кандидатов на разные группы на основе их синтаксических контейнеров. Чтобы уменьшить количество генерируемых синтаксических групп, мы рассматриваем только пары кандидатов DDI, которые охватывают не более двух предложений.Например, пара DRUG1 – DRUG3 на рисунке 1c игнорируется, так как она охватывает три пункта. Этот процесс разделения приводит к пяти синтаксическим группам, а именно субъекту, объекту, предложению, пункту_2 и NP. Здесь clause_2 обозначает синтаксическую структуру, которая охватывает два предложения, а NP обозначает входное предложение, которое содержит только фразу.

Из-за нехватки места мы обращаемся к дополнительному исходному коду для получения дополнительных сведений о предварительной обработке текста и создании функций.

2.5 Машинное обучение

Недавние соревнования по извлечению отношений показали, что использование SVM в системах извлечения взаимосвязей является доминирующим, и системы, использующие SVM, достигли наилучшей производительности (Nédellec et al. , 2013; Segura-Bedmar et al. , 2011a, 2013) . В этом исследовании мы используем классификатор LIBSVM с ядром RBF по умолчанию (http://www.csie.ntu.edu.tw/ ∼ cjlin / libsvm /) для классификации пар DDI. Все отдельные признаки, извлеченные для каждой пары DDI, нормализуются и объединяются в единый вектор признаков, как это было предложено Miwa et al. (2009). Чтобы найти лучший параметр C и гамму для каждой модели, мы используем функцию CVParameterSelection из набора инструментов WEKA (http://www.cs.waikato.ac.nz/ml/weka/).

3 РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

3.1 Наборы данных

Мы используем наборы данных извлечения DDI 2011 и 2013 (далее DDI-2011 и DDI-2013), предоставленные задачами извлечения DDI 2011 и 2013, чтобы оценить наш метод извлечения. Каждый набор данных состоит из двух частей: набора данных для обучения и набора данных для тестирования.Между этими двумя наборами данных есть различия. Наборы данных DDI-2011 содержат документы, выбранные из базы данных DrugBank, тогда как наборы данных DDI-2013 состоят из документов, выбранных из базы данных DrugBank и рефератов Medline. Кроме того, в наборе данных DDI-2011 каждая пара препаратов была аннотирована либо как истинное взаимодействие (положительный случай), либо как отсутствие взаимодействия (отрицательный случай), тогда как наборы данных DDI-2013 имеют более подробные аннотации с различными типами взаимодействия. Статистика наборов данных представлена в таблице 1.

Таблица 1.

Статистика наборов обучающих и тестовых данных DDI-2011 и DDI-2013

Corpus .	Обучение .			Тестирование .
Corpus .	Сен. .	Поз. .	Отр. .	Сен. .	Поз. .	Отр. .
DDI-2011	4267	2402	21 425	1539	755	6271
DB-2013	0 9058 905 905 905 905 905 905 9058 905 884	4426
ML-2013	1031	232	1555	326	95	365

Корпус .	Обучение .			Тестирование .
Корпус .	Сен. .	Поз. .	Отр. .	Сен. .	Поз. .	Отр. .
DDI-2011	4267	2402	21 425	1539	755	6271
DB-2013	0 9058 905 905 905 905 905 905 9058 905 884	4426
ML-2013	1031	232	1555	326	95	365

Таблица 1.

Статистика обучающих и тестовых наборов DDI-2011 и DDI-2013

Corpus .	Обучение .			Тестирование .
Corpus .	Сен. .	Поз. .	Отр. .	Сен. .	Поз. .	Отр. .
DDI-2011	4267	2402	21 425	1539	755	6271
DB-2013	0 9058 905 905 905 905 905 905 9058 905 884	4426
ML-2013	1031	232	1555	326	95	365

Корпус .	Обучение .			Тестирование .
Корпус .	Сен. .	Поз. .	Отр. .	Сен. .	Поз. .	Отр. . В наличии 884	4426
ML-2013	1031	232	1555	326	95	365

3.2 Преобразование наборов данных

При применении шагов предварительной обработки текста и разделения для каждого набора данных мы получаем преобразованный набор данных, в котором нерелевантные пары DDI отфильтровываются, а исходный набор данных разбивается на пять групп. Таблицы 2 и 3 показывают статистику преобразованных наборов данных для обучающих и тестовых наборов данных соответственно. Данные в этих таблицах показывают, что предварительная обработка текста эффективно отфильтровала значительное количество отрицательных экземпляров (TN) с небольшой стоимостью пропущенных положительных экземпляров (FN).В целом количество отфильтрованных экземпляров варьируется от 2,5 до 4,1% для FN и от 27,9 до 33,8% для TN в наборах данных DrugBank. Однако количество FN в наборе данных Medline неожиданно велико - от 8,6 до 17,9,0%. Кроме того, небольшое количество положительных примеров игнорируется на этапе разделения из-за их сложной синтаксической структуры. Эти числа показаны в таблицах 2 и 3 как игнорируемые случаи.

Таблица 2.

Статистика преобразованных наборов обучающих данных после применения шагов предварительной обработки текста

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Тема	876	4301	29	250	600	4488
Объект	356	05 9058 905 905 905 905 905 905 905 905 905 905 905 905
Пункт	1852	2238	121	211	1240	3212
Пункт_2	341	871		905 905 905 905 905 905 905	197	1039	27	102	74	713
Всего	3622	13 246	202	919	905 905 9058 905 905 905	(96%)	(60%)	(87%)	(59%) )	(95%)	(63%)
Игнорируемые случаи	60	479	10	50	24	676
905 905 Отфильтровано 90 8492	20	586	98	7242
905 905 Отфильтровано 90 8492	(2.80%)	(38,20%)	(8,60%)	(37,70%)	(4,10%)	(33,80%)

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Тема	876	4301	29	250	600	4488
Объект	356	05 9058 905 905 905 905 905 905 905 905 905 905 905 905
Пункт	1852	2238	121	211	1240	3212
Пункт_2	341	871		905 905 905 905 905 905 905	197	1039	27	102	74	713
Всего	3622	13 246	202	919	905 905 9058 905 905 905	(96%)	(60%)	(87%)	(59%) )	(95%)	(63%)
Игнорируемые случаи	60	479	10	50	24	676
905 905 Отфильтровано 90 8492	20	586	98	7242
905 905 Отфильтровано 90 8492	(2.80%)	(38,20%)	(8,60%)	(37,70%)	(4,10%)	(33,80%)

Таблица 2.

Статистика преобразованных наборов обучающих данных после применения текста шаги предварительной обработки

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Тема	876	4301	29	250	600	4488
Объект	356	05 9058 905 905 905 905 905 905 905 905 905 905 905 905
Пункт	1852	2238	121	211	1240	3212
Пункт_2	341	871		905 905 905 905 905 905 905	197	1039	27	102	74	713
Всего	3622	13 246	202	919	905 905 9058 905 905 905	(96%)	(60%)	(87%)	(59%) )	(95%)	(63%)
Игнорируемые случаи	60	479	10	50	24	676
905 905 Отфильтровано 90 8492	20	586	98	7242
905 905 Отфильтровано 90 8492	(2.80%)	(38,20%)	(8,60%)	(37,70%)	(4,10%)	(33,80%)

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Тема	876	4301	29	250	600	4488
Объект	356	05 9058 905 905 905 905 905 905 905 905 905 905 905 905
Пункт	1852	2238	121	211	1240	3212
Пункт_2	341	871		905 905 905 905 905 905 905	197	1039	27	102	74	713
Всего	3622	13 246	202	919	905 905 9058 905 905 905	(96%)	(60%)	(87%)	(59%) )	(95%)	(63%)
Игнорируемые случаи	60	479	10	50	24	676
905 905 Отфильтровано 90 8492	20	586	98	7242
905 905 Отфильтровано 90 8492	(2.80%)	(38,20%)	(8,60%)	(37,70%)	(4,10%)	(33,80%)

Таблица 3.

Статистика преобразованных тестовых наборов данных после применения шагов предварительной обработки текста

905 905 905 905 905 905 905 9058 905 905 905 9059

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз..	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Пункт	504	429	36	58	376	997
Пункт_2	37	229	2	61	367	3	23	34	567
Всего	848	2981	78	204	721	721 42590 (96%)	(68%)	(82%)	(57%)	(96%) 90 590	(68%)
Игнорируемые случаи	14	178	0	4	4	131
Отфильтровано / пропущено	22	30	1867
Отфильтровано / пропущено	(2.50%)	(27,90%)	(17,90%)	(41,60%)	(4,00%)	(29,80%)

905 905 905 905 905 905 905 9058 905 905 905 9059

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Пункт	504	429	36	58	376	997
Пункт_2	37	229	2	61	367	3	23	34	567
Всего	848	2981	78	204	721	721 42590 (96%)	(68%)	(82%)	(57%)	(96%) 90 590	(68%)
Игнорируемые случаи	14	178	0	4	4	131
Отфильтровано / пропущено	22	30	1867
Отфильтровано / пропущено	(2.50%)	(27,90%)	(17,90%)	(41,60%)	(4,00%)	(29,80%)

Таблица 3.

Статистика преобразованных наборов тестовых данных после применения текста шаги предварительной обработки

905 905 905 905 905 905 905 9058 905 905 905 9059

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Пункт	504	429	36	58	376	997
Пункт_2	37	229	2	61	367	3	23	34	567
Всего	848	2981	78	204	721	721 42590 (96%)	(68%)	(82%)	(57%)	(96%) 90 590	(68%)
Игнорируемые случаи	14	178	0	4	4	131
Отфильтровано / пропущено	22	30	1867
Отфильтровано / пропущено	(2.50%)	(27,90%)	(17,90%)	(41,60%)	(4,00%)	(29,80%)

905 905 905 905 905 905 905 9058 905 905 905 9059

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	Поз. .	Отр. .	Поз. .	Отр. .	Поз. .	Отр. .
Пункт	504	429	36	58	376	997
Пункт_2	37	229	2	61	367	3	23	34	567
Всего	848	2981	78	204	721	721 42590 (96%)	(68%)	(82%)	(57%)	(96%) 90 590	(68%)
Игнорируемые случаи	14	178	0	4	4	131
Отфильтровано / пропущено	22	30	1867
Отфильтровано / пропущено	(2.50%)	(27,90%)	(17,90%)	(41,60%)	(4,00%)	(29,80%)

Кроме того, данные из таблиц 2 и 3 показывают, что количество экземпляров значительно различается между группами каждого набора данных и между наборами данных. Это указывает на то, что производительность в каждой группе также может отличаться соответственно.

3.3 Настройки оценки

Мы используем стандартные критерии оценки (точность, отзыв и F-оценка), предложенные задачей извлечения DDI для оценки производительности нашей системы (Segura-Bedmar et al., 2013). Поскольку наш метод в основном сосредоточен на обнаружении пар взаимодействий, мы игнорируем типы взаимодействия, аннотированные в наборе данных DDI-2013. (Обнаружение пар DDI является важным шагом в конвейере извлечения большинства систем, которые участвовали в задаче извлечения DDI 2013, включая две верхние системы). Кроме того, поскольку мы разделяем каждый набор данных на пять групп, нам нужно обучать классификатор отдельно для каждой группы. Чтобы найти оптимальные наборы функций для этих групп, мы пробовали различные комбинации предлагаемых функций.Лучшие наборы функций для каждой группы показаны в таблице 4. Эти функции были определены на основе обучающего набора DB-2013, но использовались для всех оценок.

Таблица 4.

Оптимизированные функции для каждой синтаксической группы

Группа .	Лексический .	фраза .	Глагол .	Синтаксический .	Вспомогательный .
Предмет	X	X	X	X	X
Объект	X	X	X		905 905 905 905 9058	X	X	X
Пункт 2	X		X	X	X
NP	X 905 905 905	0

Группа .	Лексический .	фраза .	Глагол .	Синтаксический .	Вспомогательный .
Предмет	X	X	X	X	X
Объект	X	X	X		905 905 905 905 9058	X	X	X
Пункт 2	X		X	X	X
NP	X 905 905 905	0

Таблица 4.

Оптимизированные функции для каждой синтаксической группы

Группа .	Лексический .	фраза .	Глагол .	Синтаксический .	Вспомогательный .
Предмет	X	X	X	X	X
Объект	X	X	X		905 905 905 905 9058	X	X	X
Пункт 2	X		X	X	X
NP	X 905 905 905	0

Группа .	Лексический .	фраза .	Глагол .	Синтаксический .	Вспомогательный .
Предмет	X	X	X	X	X
Объект	X	X	X		905 905 905 905 9058	X	X	X
Пункт 2	X		X	X	X
NP	X 905 905 905	0

Мы оцениваем производительность нашей системы на каждом тестовом наборе данных после обучения на соответствующем наборе обучающих данных, за исключением тестового набора данных ML-2013.Для этого тестового набора данных система обучена на комбинированных наборах обучающих данных DB-2013 и ML-2013, как было предложено Чоудхури и Лавелли (2013b) и Томасом и др. (2013).

3.4 Производительность извлечения DDI

Таблица 5 показывает результаты нашей системы, оцененной на тестовых наборах данных DDI-2011 и DDI-2013. Чтобы понять его эффективность в отношении различных типов документов (например, аннотаций DrugBank и Medline), мы отдельно представляем результаты поднаборов данных DDI-2013.Кроме того, для расчета отзыва все положительные экземпляры, пропущенные на предыдущих этапах предварительной обработки, рассматриваются как FN. Помимо отчета об общей производительности всего набора данных, мы также представляем производительность отдельных групп. Отзыв для каждой группы рассчитывается с использованием данных из таблицы 3 (которые не учитывают отфильтрованные и проигнорированные экземпляры), тогда как отзыв для общей производительности для каждого тестового набора данных рассчитывается с использованием данных из таблицы 1.

Таблица 5.

Результаты оценки тестовых наборов DDI-2011 и DDI-2013

5 9057 9057 9058 (%)1 71,13 905 . 67590

Group .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Group .	P (%) .	R (%) .	P (%) .	R (%) .	P (%) .	R (%) .
Тема	83,92	76,92	86,67	61,90	75,65	81,56
Объект	0 9058 905 9058 905 9058 905 9058 905 905
Статья	86,08	94,44	71,79	77,78	65,77	84,84
Статья_2	91.67	59,46	100,00	50,00	76,19	29,62
NP	88,64	63,93	25,00	66,67 6462	85,88		67,57	69,85
Отзыв (%)	81.22		52,63		72,45
F-показатель (%)	83,48		59,17		DB-2013 .		МЛ-2013 .	DDI-2011 .
P (%) .	R (%) .	P (%) .	R (%) .	P (%) .	R (%) .
Тема	83.92	76.92	86.67	61.90	75.65	81.56
Объект	0 9058 905 9058 9058
Положение	86,08	94,44	71,79	77,78	65,77	84,84
905 905 905 905 905 905 905 905 905 905	NP	88,64	63,93	25,00	66,67	64,29	26,47
Общая производительность
Точность (%)	85.88		67,57		69,85
Отзыв (%)	81,22		52,63		72,45		59,17	71,13

Таблица 5.

Результаты оценки тестовых наборов данных DDI-2011 и DDI-2013

99 9058 905 905

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	P (%) .	R (%) .	P (%) .	R (%) .	P (%) .	R (%) .
Тема	83,92	76,92	86.67	61,90	75,65	81,56
Объект	84,72	67,78	54,55	37,50	81,43	73.08	81,43	73,08	65,77	84,84
Пункт 2	91,67	59,46	100,00	50,00	76.19	29,62
NP	88,64	63,93	25,00	66,67	64,29	26,47
67590							26,47
9058 9058 9058 9058 905								69,85
Отзыв (%)	81,22		52,63		72.45
F-оценка (%)	83,48		59,17		71,13

Группа .	DB-2013 .		МЛ-2013 .		DDI-2011 .
Группа .	P (%) .	R (%) .	P (%) .	R (%) .	P (%) .	R (%) .
Тема	83,92	76,92	86,67	61,90	75,65	81,56
Объект	0 9058 905 9058 905 9058 905 9058 905 905
Статья	86.08	94.44	71,79	77,78	65,77	84,84
Пункт 2	91,67	59,46	100,00	50,00	76,19 905 905 9058 9058	66,67	64,29	26,47
Общая производительность
Точность (%)	85.88		67,57		69,85
Отзыв (%)	81,22		52,63		72,45		59,17		71,13

Результаты в таблице 5 показывают, что наша система хорошо работает с тестовыми наборами данных DB-2013 и DDI-2011 с F-оценкой 83.5 и 71,1% соответственно. Однако его производительность снижается на тестовом наборе данных Medline с F-оценкой 59,2%, что на 24,3 пункта ниже, чем у тестового набора данных DB-2013. Это снижение производительности связано с низким уровнем отзыва, что частично можно объяснить потерей положительных экземпляров на этапах предварительной обработки. Кроме того, для каждого набора данных производительность по каждой группе также значительно различается. Эти различия в производительности могут быть вызваны тремя факторами. Во-первых, соотношение положительных и отрицательных примеров варьируется среди всех групп (см. Таблицы 2 и 3).Это вызывает снижение производительности для групп с меньшим положительным / отрицательным соотношением (Van Hulse et al. , 2007). Во-вторых, выбор различных наборов функций для различных синтаксических групп также может учитывать различия в производительности. В-третьих, качество аннотаций DB-2013 лучше, чем у DB-2011, которое было аннотировано автоматически без какого-либо ручного редактирования (Herrero-Zazo et al. , 2013).

В таблице 6 показано сравнение производительности нашей системы (BioSem) и систем с максимальной производительностью, участвующих в задаче извлечения DDI-2013 (Задача 2).Данные показывают, что наша система превосходит пять лучших систем в наборе тестовых данных DB-2013 с увеличением F-оценки в диапазоне от 0,8 до 13,2 балла. Хотя отзывчивость нашей системы ниже, чем у лучшей системы (81,2 против 83,8%), ее точность значительно выше (85,9 против 81,6%). Кроме того, наша система также дает лучшие результаты по сравнению с этими системами на тестовом наборе данных ML-2013. Результаты в таблице 7 показывают, что BioSem достигает 59,2% F-балла, что выше, чем у других систем 6.2–17,1 балла. Стоит отметить, что системы, которые участвовали в испытаниях, должны были разрабатываться с жесткими временными ограничениями, что могло повлиять на их производительность. Тем не менее, авторы самых эффективных систем участвовали в задаче извлечения DDI-2011 и, таким образом, были знакомы с этой задачей и могли точно настроить свои системы с помощью тестового набора данных DDI-2011.

Таблица 6. Сравнение производительности системы

с пятью лучшими системами, участвующими в задаче извлечения DDI-2013 на тестовом наборе данных DB-2013

68571 905 905 905 905 905 905 905 905 UTurku

Team .	Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	81,6	83,8	82,7
WBI	81,4	75,5	78,3	84,3	63,8	72.6
UC3M	65,6	75,8	70,3
BioSem	85,9	81,2	83,5

905 .

Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	81,6	83,8	82.7
WBI	81,4	75,5	78,3
SCAI	79,6	68,1	73,4
		9058 905 9058 905 905 905 9058 905 905 905 65,6	75,8	70,3
BioSem	85,9	81,2	83,5

Таблица 6.

Сравнение производительности с пятью лучшими системами, участвующими в испытании по извлечению DDI-2013 в тесте DB-2013 набор данных

68571 905 905 905 905 905 905 905 905 UTurku

Команда .	Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	81,6	83,8	82,7
WBI	81,4	75,5	78,3	84,3	63,8	72.6
UC3M	65,6	75,8	70,3
BioSem	85,9	81,2	83,5

905 .

Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	81,6	83,8	82.7
WBI	81,4	75,5	78,3
SCAI	79,6	68,1	73,4
	9058 905 9058 905 905 905 905 905 905 905 65,6	75,8	70,3
BioSem	85,9	81,2	83,5

Таблица 7.

Сравнение производительности с пятью лучшими системами, участвующими в задаче извлечения DDI-2013 на тестовом наборе данных ML-2013

99 9057 905 905 905 905

Команда .	Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	55,8	50,5	53,0
WBI	62,5	42.1	50,3
UWM-TRIADS	38,7	63,0	47,9
SCAI	43,1	52,6	47,4	52,6	47,4
BioSem	67,6	52,6	59,2

9057AD 905 905 905 905 905 9057AD 905

Команда .	Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	55,8	50,5	53,0
WBI	62,5	42,1	50,3	42,1	50,3
SCAI	43,1	52,6	47,4
UC3M	31.3	64,2	42,1
BioSem	67,6	52,6	59,2

Таблица 7.

Сравнение производительности с пятью лучшими системами, участвовавшими в испытании экстракции DDI-2013 в тесте ML-2013 набор данных

9 9058 905 905 905 905 905 47,4

Команда .	Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	55.8	50,5	53,0
WBI	62,5	42,1	50,3
UWM-TRIADS	38,7	63,0
UC3M	31,3	64,2	42,1
BioSem	67,6	52,6	59,2

Команда . 9057AD 905 905 905 905 905 9057AD 905

Точность (%) .	Отзыв (%) .	F-оценка (%) .
FBK-irst	55,8	50,5	53,0
WBI	62,5	42,1	50,3	42,1	50,3
SCAI	43,1	52,6	47.4
UC3M	31,3	64,2	42,1
BioSem	67,6	52,6	59,2

системы, которые работают на наборе данных тестирования DDI-2011 после проверки, в таблице 8. Мы также предоставляем для справки результаты лучшей системы задачи извлечения DDI-2011. Данные показывают, что системы после испытания достигают более высоких показателей с точки зрения F-баллов по сравнению с лучшей системой задачи извлечения DDI-2011.Эти улучшения производительности могут быть связаны с тем, что эти системы имеют лучший дизайн и / или могут быть настроены на доступном наборе тестовых данных. По сравнению с этими системами после испытаний наша система дает лучшие результаты с улучшением F-балла от 1,9 до 2,2 балла. Стоит отметить, что система, предложенная Чоудхури и Лавелли (2013b), является той же системой, которая достигла лучших результатов в испытании DDI-2013.

Таблица 8.

Сравнение производительности систем на тестовом наборе данных после испытания DDI-2011

Таблица 8.

Сравнение производительности систем на наборе тестовых данных DDI-2011 после испытания

3.5 Анализ производительности

В этом разделе мы обращаемся к некоторым вопросам, связанным с производительностью предлагаемой системы, а также обсуждаем ее сложность по сравнению с современными системами.

3.5.1 Различия в производительности для разных наборов данных

В предыдущем разделе мы упоминали, что соотношение положительных и отрицательных экземпляров может напрямую влиять на различия в производительности между синтаксическими группами (например,грамм. субъект, объект и т. д.) каждого набора данных. Это явление также можно наблюдать в одних и тех же группах в разных наборах данных. Например, в наборе данных DB-2013 отношения положительных / отрицательных экземпляров группы пункта составляют 0,83 и 1,20 для обучающих и тестовых наборов данных, тогда как в наборе данных DDI-2011 эти значения составляют 0,39 и 0,38 соответственно (см. Таблицы 2 и 3). Эти различия могут объяснить, почему точность и отзыв группы пункта различаются между этими двумя наборами данных: 86.1 против 65,8% по точности и 94,4 против 84,8% по отзыву. Кроме того, это также может объяснить высокую точность группы испытуемых в наборе тестовых данных ML-2013, поскольку положительное / отрицательное соотношение между обучающими и тестовыми наборами данных составляет 0,11 и 1,05 соответственно.

Другой проблемой, которая может повлиять на производительность системы, является размер наборов данных. Это хорошо видно по набору данных ML-2013, который значительно меньше (в 14 раз), чем набор данных DB-2013. Более того, изучение модели из небольшого обучающего набора - одна из проблем подхода, основанного на машинном обучении.В нашем случае эта проблема еще сложнее, поскольку мы дополнительно разбиваем обучающий набор на пять поднаборов данных. Например, когда мы использовали данные ML-2013 et al. ne для обучения, наша система достигла 35,4% F-балла на тестовом наборе данных ML-2013 (данные не показаны). Однако при обучении на комбинированных наборах обучающих данных DB-2013 и ML-2013 и оценке на наборе тестов ML-2013 показатель F увеличивается до 59,2%. Это указывает на то, что даже несмотря на различия в структуре между типами документов (Cohen et al., 2010) двух наборов данных, увеличивая размер обучающего набора ML-2013 путем добавления обучающих экземпляров из набора DB-2013, в некоторой степени помогает улучшить производительность нашей системы на этом наборе тестовых данных.

3.5.2 Вклад предлагаемых наборов функций

При применении подхода на основе машинного обучения для задач извлечения отношений каждая пара кандидатов классифицируется независимо как настоящая пара взаимодействий или нет. Преимущество этого подхода в том, что его можно легко использовать с любым (бинарным) классификатором.Однако, когда каждая пара DDI-кандидата рассматривается независимо, она вырывается из контекста. Другими словами, зависимости между лекарствами пары кандидатов DDI и соседними с ними лекарствами могут быть упущены, что может привести к неправильной классификации. Например, рассмотрим положительную пару DRUG1 – DRUG2 и две отрицательные пары DRUG1 – DRUG3 и DRUG2 – DRUG3 в предложении «Совместное использование DRUG1 с DRUG2 может усилить эффект DRUG3», как показано на рисунке 1b. Для пары DRUG2 – DRUG3, если используются только лексические признаки, можно пропустить информацию о том, что DRUG2 уже участвовал во взаимосвязи с DRUG1.Для пары DRUG1 – DRUG3, даже если используется дерево зависимостей, все равно можно пропустить информацию о том, что DRUG1 имеет отношение к DRUG2. Чтобы решить эту проблему, предыдущие системы обычно объединяли различные типы функций, чтобы они могли дополнять друг друга. В нашей системе мы явно решаем эту проблему, вводя три новых набора функций, а именно глагольные, фразовые и синтаксические функции.

В таблице 9 показано влияние словосочетания, синтаксиса и глаголов на производительность нашей системы при оценке на тестовом наборе данных DB-2013.Данные показывают, что при удалении глагольных функций производительность с точки зрения F-балла снижается на 3,56% по сравнению с показателем всего набора функций. В то время как удаление одной фразы или синтаксической функции немного снижает производительность, удаление фраз и синтаксических функций приводит к снижению производительности на 1,53%. Это означает, что одна из этих функций может подходить только для определенных групп. Это явление хорошо видно, когда мы применяем оптимизированные наборы функций из Таблицы 4 к набору тестовых данных, что приводит к увеличению на 0.95% по шкале F по сравнению со всеми наборами функций.

Таблица 9.
Вклад фразовых, синтаксических и глагольных характеристик в производительность нашей системы
Характеристики . P (%) . R (%) . F (%) .
Lex + Aux + Phrase + Syntactic + Verb (1) 85,64 79,63 82.53
(1) - Глагол 81,9 76,24 78,97
(1) - Фраза 84,63 79,75 82,12 905 905 81 82,01
(1) - Фраза - Синтаксис 81,7 80,32 81
Оптимизированные наборы функций 85,88 81,22 81,22 48
5 905 905 1) - Фраза55 наборы функций
Характеристики . P (%) . R (%) . F (%) .
Lex + Aux + Фраза + Синтаксис + Глагол (1) 85,64 79,63 82,53
(1) - Глагол 81,9 84.63 79,75 82,12
(1) - Синтаксический 83.06 81 82,01
(1) - Фраза - Синтаксический 81,7 85,88 81,22 83,48
Таблица 9.
Вклад фразовых, синтаксических и глагольных функций в производительность нашей системы
7 905 905 905 1) - Фраза59 905 - Синтаксический
Функции . P (%) . R (%) . F (%) .
Lex + Aux + Фраза + Синтаксис + Глагол (1) 85,64 79,63 82,53
(1) - Глагол 81,9 84,63 79,75 82,12
(1) - Синтаксическая 83.06 81 82,01
(1) - Фраза - Синтаксис 81,7 80,32 81
Оптимизированные наборы функций 85,88 Особенности . P (%) . R (%) . F (%) .
Lex + Aux + Phrase + Syntactic + Verb (1) 85.64 79,63 82,53
(1) - Глагол 81,9 76,24 78,97
(1) - Фраза 84,63 82,53 83.06 81 82.01
(1) - Фраза - Синтаксический 81,7 80.32 81
Оптимизированные наборы функций 85.88 81,22 83,48
Кроме того, отображая каждую пару DDI-кандидата в синтаксический контейнер перед генерацией функций, мы можем улучшить лексические характеристики, не создавая ненужных токенов, окружающих каждое лекарство из пары DDI-кандидата. Например, количество лексических функций, сгенерированных для DRUG2 на рисунке 1b, составляет три функции вместо шести для систем, использующих плоскую структуру.
3.5.3 Вычислительная производительность и сложность
Для повышения производительности систем извлечения DDI в большинстве наиболее эффективных систем используется либо ансамблевой подход (Thomas et al., 2011, 2013) или подходов с комбинацией ядер (Chowdhury and Lavelli, 2013b; He et al. , 2013). По мере того как им удается повысить производительность, также увеличиваются вычислительные ресурсы и сложность их систем. Кроме того, некоторые системы также включают знания предметной области (He et al. , 2013; Thomas et al. , 2013) для повышения производительности, но это препятствует адаптации этих систем к новым задачам извлечения отношений.
Напротив, предлагаемая нами система на основе функций использует небольшой набор функций для генерации векторов признаков из простого синтаксического представления.Он использует неглубокий синтаксический анализатор для анализа входных предложений и требует только одного ядра для построения прогнозных моделей. Следовательно, он проще и требует меньше вычислительного времени по сравнению с другими системами на основе машинного обучения. Например, нашей системе требуется 51 секунда для обработки набора данных DB-2013 (22 секунды для этапа предварительной обработки текста и 29 секунд для обучения и классификации экземпляров). Этот эксперимент проводился на ноутбуке с процессором Intel Core i7-2640 M, 2,8 ГГц.
3.5.4 Анализ ошибок
Чтобы определить основные источники ошибок в нашей системе, мы анализируем все ошибки [118 ложных срабатываний (FP), 130 FN], производимые нашей системой при оценке на тестовом наборе данных DB-2013. В целом эти ошибки (как FP, так и FN) можно разделить на четыре группы. Первая группа ошибок (22 FP, 39 FN) вызвана ошибками парсера или неправильным построением структурированных представлений. Эти ошибки приводят к неправильной категоризации потенциальных пар DDI. Вторая группа ошибок (34 FP) вызвана недетерминированным контекстом, где одних синтаксических контейнеров пар кандидатов DDI недостаточно для определения результата.Третья группа ошибок (42 FP, 91 FN) вызвана необычной синтаксической структурой входных предложений, проблемами анафоры и большим расстоянием между двумя лекарствами (измеряемым количеством фрагментов) кандидатных пар DDI. Четвертая группа ошибок (20 FP) состоит из случаев, когда пары DDI-кандидатов синтаксически кажутся истинными парами DDI.
Хотя большинство ошибок нетривиальны, ошибки, вызванные входными предложениями со специальными синтаксическими структурами, могут быть устранены, если определены правила для преобразования этих входных предложений в форму, которая может обрабатываться структурированным представлением.Для других ошибок необходимы существенные изменения в системе для дальнейшего улучшения текущей производительности.
4 ВЫВОДЫ
В этом исследовании мы предложили новый подход, основанный на функциях, для извлечения DDI из текста. Ключевыми факторами нашего подхода являются сочетание новых наборов функций и разделение наборов данных. Разделив исходный набор данных на подмножества на основе их синтаксических свойств, мы получаем более согласованные поднаборы данных и можем оптимизировать выбор функций для каждого поднабора данных.Кроме того, благодаря сочетанию сильных сторон различных типов функций наша система является надежной и хорошо обобщается на различных наборах данных. Результаты оценки показывают, что наша система демонстрирует лучшую производительность, чем современные системы, на различных тестовых наборах данных.
Наш подход прост и более эффективен с точки зрения вычислительного времени, чем другие системы на основе машинного обучения, поскольку он использует небольшой набор функций и ядро SVM по умолчанию. Кроме того, предлагаемые наборы функций являются общими, за исключением набора вспомогательных функций.Хотя изначально предлагается система для извлечения DDI, ее можно легко адаптировать для других задач извлечения бинарных отношений, таких как PPI и отношения ген-болезнь.
Финансирование : PMAS частично поддержан Российским научным фондом, предложение № 14-21-0037.
Конфликт интересов : не заявлен.
ССЫЛКИ
, и другие.
Ядро графа всех путей для извлечения белок-белковых взаимодействий с оценкой кросс-корпусного обучения
,
BMC Bioinformatics
,
2008
, vol.
9
Доп. 11
стр.
S2
и др.
Гибридный подход к извлечению белок-белковых взаимодействий
,
Bioinformatics
,
2011
, vol.
27
(стр.
259
-
265
),.
Надежный подход к извлечению биомедицинских событий из литературы
,
Биоинформатика
,
2012
, vol.
28
(стр.
2654
-
2661
),.
Использование объема отрицаний и гетерогенных свойств для извлечения отношений: тематическое исследование для извлечения взаимодействия лекарство-лекарство
,
Proceedings of NAACL-HLT
,
2013a
Атланта, Джорджия, США
(стр.
765
-
771
),.
FBK-irst: подход на основе многоэтапного ядра для обнаружения и классификации лекарственного взаимодействия с использованием лингвистической информации
,
Труды 7-го Международного семинара по семантической оценке (SemEval 2013)
,
2013b
Атланта, Джорджия, USA
(стр.
351
-
355
) и др.
Структурные и содержательные аспекты рефератов и текстов полнотекстовых журнальных статей различаются
,
BMC Bioinformatics
,
2010
, vol.
11
стр.
492
и др.
Госпитализация / посещение больниц, связанных с лекарственными взаимодействиями: систематический обзор и метаанализ
,
Pharmacoepidemiol. Drug Saf.
,
2014
, т.
23
(стр.
489
-
497
) и др.
Использование поверхностной лингвистической информации для извлечения отношений из биомедицинской литературы
,
Proceedings of ACL 2006
,
2006
Тренто, Италия
(стр.
401
-
408
) и др.
Изучение фармакогеномической литературы - обзор современного состояния
,
Краткое. Биоинформ.
,
2012
, т.
13
(стр.
460
-
494
) и др.
Извлечение лекарственного средства из биомедицинской литературы с использованием комплексного подхода, основанного на обобщении
,
PLoS One
,
2013
, vol.
8
стр.
e65814
и др.
Корпус DDI: аннотированный корпус с фармакологическими веществами и лекарственными взаимодействиями
,
J.Биомед. Сообщить.
,
2013
, т.
46
(стр.
914
-
920
) и др.
Многофункциональный вектор для экстракции межбелковых взаимодействий из нескольких корпусов
,
Труды конференции 2009 года по эмпирическим методам в НЛП. ACL
,
2009
Сингапур
(стр.
121
-
130
).
Исследование ядер свертки для поверхностного семантического синтаксического анализа
,
Труды 42-го ежегодного собрания Ассоциации компьютерной лингвистики - ACL’04.ACL, Морристаун, Нью-Джерси, США
,
2004
(стр.
335
-
342
) и др.
Обзор совместной задачи BioNLP 2013
,
Протоколы общей задачи BioNLP 2013 Семинар
,
2013
София, Болгария
(стр.
1
-
7
) и др.
Решения по интеллектуальному анализу текста для биомедицинских исследований: обеспечение интегративной биологии
,
Nat. Преподобный Жене.
,
2012
, т.
13
(стр.
829
-
839
) и др.
Семевал-2013, задача 9: извлечение лекарственных взаимодействий из биомедицинских текстов
,
Труды 7-го Международного семинара по семантической оценке (SemEval 2013)
,
2013
Атланта, Джорджия, США
(стр.
341
) -
350
) и др.
Первая задача DDIExtraction-2011: извлечение лекарств-взаимодействий из биомедицинских текстов
,
Труды первой задачи по извлечению лекарств-лекарств (DDI Extraction 2011)
,
2011a
Huelva, Spain
, et al. al.
Использование неглубокого лингвистического ядра для извлечения лекарственных средств при взаимодействии
,
J. Biomed. Сообщить.
,
2011б
, т.
44
(стр.
789
-
804
) и др.
Выявление лекарств-взаимодействий: анализ текста и рассуждения, основанные на свойствах метаболизма лекарств
,
Биоинформатика
,
2010
, vol.
26
(стр.
i547
-
i553
) и др.
Извлечение отношений для взаимодействий лекарств с использованием ансамблевого обучения
,
Труды первой задачи по извлечению лекарств и взаимодействий (DDI Extraction 2011)
,
2011
Уэльва, Испания
, et al.
WBI-DDI: извлечение лекарственного средства взаимодействия с использованием большинства голосов
,
Труды 7-го Международного семинара по семантической оценке (SemEval 2013)
,
2013
Атланта, Джорджия, США
(стр.
628
-
635
) и др.
Подробный анализ ошибок 13 ядерных методов экстракции белок-белкового взаимодействия
,
BMC Bioinformatics
,
2013
, vol.
14
стр.
12
и др.
Экспериментальные перспективы обучения на основе несбалансированных данных
,
Труды 24-й Международной конференции по машинному обучению, ICML’07
,
2007
Нью-Йорк, Нью-Йорк, США
ACM
(стр.
935
-
942
) и др.
Доказательная оценка клинического значения лекарственного взаимодействия между противоревматическими препаратами, модифицирующими болезнь, и не противоревматическими препаратами, по мнению ревматологов и фармацевтов
,
Clin. Ther.
,
2009
, т.
31
(стр.
1737
-
1746
) и др.
Клинически значимые лекарственные взаимодействия между пероральными противораковыми агентами и неантикоптическими агентами: профилирование и сравнение двух сборников лекарственных средств
,
Ann.Фармакотер.
,
2008
, т.
42
(стр.
1737
-
1748
)
Заметки автора
© Автор, 2014. Опубликовано Oxford University Press. Все права защищены. Для получения разрешений обращайтесь по электронной почте: [email protected]
.
Высокоскоростное извлечение гиперспектральных изображений в структуре базы данных плюмового излучения
ОБЛАСТЬ ТЕХНОЛОГИИ: Датчики
Технология в рамках этой темы ограничена в соответствии с Регламентом международной торговли оружием (ITAR), 22 CFR Parts 120-130, который контролирует экспорт и импорт материалов и услуг, связанных с обороной, включая экспорт конфиденциальных технических данных, или экспорт Административный регламент (EAR), 15 CFR Parts 730-774, который контролирует предметы двойного назначения.Претенденты должны раскрывать любое предполагаемое использование иностранных граждан (ИБ), страну (а) их происхождения, тип имеющейся визы или разрешения на работу, а также задачи технического задания (SOW), предназначенные для выполнения Иностранными гражданами в соответствии с с разделом 5.4.c. (8) запроса и в инструкциях, относящихся к компонентам AF. Податели предложения уведомляются о том, что иностранные граждане, которым предлагается выступить по этой теме, могут быть ограничены из-за технических данных в соответствии с законами США об экспортном контроле. Пожалуйста, задавайте вопросы сотруднику AF SBIR / STTR по контрактам, г-же.Гейл Ньикон, [email protected].
ЦЕЛЬ: Разработать высокоскоростные (в реальном времени) методы извлечения гиперспектральных изображений из баз данных сигнатур шлейфов.
ОПИСАНИЕ: Базы данных гиперспектральных изображений излучения шлейфа, полученные в результате численного моделирования, основанного на физике, которые объединены с эмпирическими измерениями, в настоящее время используются сообществом датчиков Министерства обороны США при разработке датчиков предупреждения и контрмер, а также для предоставления репрезентативных сцен для тестирования рабочих датчиков в аппаратном обеспечении. производственные мощности (HWIL).В таких базах данных используются методы сжатия изображений, чтобы размер базы данных оставался управляемым. Однако извлечение изображений в режиме, близком к реальному времени, ограничено методом ближайшего соседа, что требует плотного размещения узлов базы данных и соответствующего увеличения размера базы данных, чтобы минимизировать ошибки в процессе извлечения. Методы интерполяции изображений, которые оцениваются для использования в процессе извлечения изображений, в настоящее время разработаны для работы с несжатыми изображениями, что значительно замедляет процесс извлечения изображений.
Эта попытка направлена на разработку метода комбинированного сжатия / интерполяции изображений, который позволит извлекать гиперспектральные изображения и манипулировать ими в реальном времени. Особое внимание необходимо уделять изменению / преобразованию извлеченных осесимметричных изображений шлейфа для учета влияния угла атаки, которое приводит к изгибу шлейфа. Изгиб шлейфа приводит к существенно иной зависимости сигнатуры от угла наклона, чем у шлейфа, ось которого совпадает с вектором скорости ракеты.Точное представление этой угловой зависимости аспекта и сопутствующего внешнего вида изображения важно для алгоритмов датчиков предупреждения о ракетном нападении. Желательны инновационные подходы, использующие аппаратное ускорение, такие как многоядерные процессоры и графические процессоры, чтобы обеспечить быстрое извлечение изображений с компактными базами данных.
ФАЗА I: Продемонстрировать выполнимость алгоритмов интерполяции изображений в среде извлечения базы данных сжатых сигнатурных изображений. Разработайте подход к изменению осесимметричных изображений с учетом изгиба шлейфа.Разработайте теоретическую основу для надлежащего учета влияния угла атаки, числа Маха и высоты на внешний вид изогнутого шлейфа. Извлекайте изображения размером 256 x 256 с частотой 50 Гц.
ФАЗА II: Разработка в реальном времени реализации алгоритмов, разработанных в рамках Фазы I. Охарактеризуйте производительность современного оборудования и оцените точность алгоритма в базах данных реалистичных изображений. Извлеките изображения размером 256 x 256 с частотой 400 Гц, что означает, что процесс интерполяции должен выполняться с частотой 1000 Гц.
ФАЗА III ДВОЙНОЕ ИСПОЛЬЗОВАНИЕ: Эта технология будет полезна для широкого спектра гиперспектральных изображений, используемых для генерации тактических и стратегических сцен, а также оборудования в циклических симуляциях.
ССЫЛКИ:
Симмонс, Массачусетс, «Интеграция CFD моделирования и моделирования в программы измерения шлейфа», AIAA 99-2255, представленный на 35-й конференции и выставке AIAA / ASME / SAE / ASEE по совместным двигательным установкам, Лос-Анджелес, Калифорния, 20 июня - 24, 1999.
Перо, Б.К., Фулкерсон, С. А., Джонс, Дж. Х., Рид, Р. А., Симмонс, М. А., Суон, Д. Г., Тейлор, У. Э., Бернштейн, Л. С., "Техника сжатия для гиперспектральных изображений плюма", Proceedings SPIE Vol. 5806, 1 июня 2005 г.
Майлз, Р.Д., Торварт, М.Дж. и Тейлор, М.В., «Приложения технологии морфинга изображения для карт яркости выхлопных газов и полей потока», PST TR-112, 33rd JANNAF EPTS, Монтерей, Калифорния, декабрь 2012 г.
КЛЮЧЕВЫЕ СЛОВА: гиперспектральные изображения, радиометрические сигнатуры, аппаратное обеспечение в цикле, сжатие изображений, интерполяция изображений
Этот сайт использует файлы cookie для повышения производительности.Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.
Настройка вашего браузера для приема файлов cookie
Существует множество причин, по которым cookie не может быть установлен правильно. Ниже приведены наиболее частые причины:
В вашем браузере отключены файлы cookie. Вам необходимо сбросить настройки своего браузера, чтобы он принимал файлы cookie, или чтобы спросить, хотите ли вы принимать файлы cookie.
Ваш браузер спрашивает вас, хотите ли вы принимать файлы cookie, и вы отказались.Чтобы принять файлы cookie с этого сайта, используйте кнопку "Назад" и примите файлы cookie.
Ваш браузер не поддерживает файлы cookie. Если вы подозреваете это, попробуйте другой браузер.
Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie. Чтобы исправить это, установите правильное время и дату на своем компьютере.
Вы установили приложение, которое отслеживает или блокирует установку файлов cookie.Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.
Почему этому сайту требуются файлы cookie?
Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Чтобы предоставить доступ без файлов cookie потребует, чтобы сайт создавал новый сеанс для каждой посещаемой страницы, что замедляет работу системы до неприемлемого уровня.
Что сохраняется в файле cookie?
Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в cookie; никакая другая информация не фиксируется.
Как правило, в файлах cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, пока вы не введете его.
No related posts.

Выписка из фнс: Получить выписку из ЕГРЮЛ и ЕГРИП можно не посещая налоговую инспекцию | ФНС России

Выписка егрюл с сайта фнс \ Акты, образцы, формы, договоры \ Консультант Плюс

API-ФНС | Помощь

Предоставление выписки из Единого государственного реестра налогоплательщиков (ЕГРН) В избранное

ФНС запустила бесплатный сервис для отслеживания изменений в данных о компаниях Статьи редакции

Кого не коснется расширение доступа ФНС к банковской тайне — Российская газета

Справка для ФНС об оплате медицинских услуг ИНВИТРО

SCIRP с открытым доступом

Недавно опубликованные статьи

Контролируемые методы извлечения клинических событий из кардиологических отчетов на итальянском языке

Bioconductor Forum

новаторских подходов, основанных на особенностях, для извлечения взаимодействий между лекарствами из биомедицинского текста | Биоинформатика

Абстрактные

1 ВВЕДЕНИЕ

2 МЕТОДА

2.2 Предварительная обработка текста

2.3 Структурированное представление

2.3 Характеристики

2.4 Разделение пар DDI

2.5 Машинное обучение

3 РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

3.1 Наборы данных

3.2 Преобразование наборов данных

3.3 Настройки оценки

3.4 Производительность извлечения DDI

3.5 Анализ производительности

3.5.1 Различия в производительности для разных наборов данных

3.5.2 Вклад предлагаемых наборов функций

3.5.3 Вычислительная производительность и сложность

3.5.4 Анализ ошибок

4 ВЫВОДЫ

ССЫЛКИ

Заметки автора

Высокоскоростное извлечение гиперспектральных изображений в структуре базы данных плюмового излучения

Настройка вашего браузера для приема файлов cookie

Почему этому сайту требуются файлы cookie?

Что сохраняется в файле cookie?

Об авторе

alexxlab

Добавить комментарий Отменить ответ

Характеристики .	P (%) .	R (%) .	F (%) .
Lex + Aux + Phrase + Syntactic + Verb (1)	85,64	79,63	82.53
(1) - Глагол	81,9	76,24	78,97
(1) - Фраза	84,63	79,75	82,12	905 905	81	82,01
(1) - Фраза - Синтаксис	81,7	80,32	81
Оптимизированные наборы функций	85,88	81,22	81,22	48

Характеристики .	P (%) .	R (%) .	F (%) .
Lex + Aux + Фраза + Синтаксис + Глагол (1)	85,64	79,63	82,53
(1) - Глагол	81,9	84.63	79,75	82,12
(1) - Синтаксический	83.06	81	82,01
(1) - Фраза - Синтаксический	81,7	85,88	81,22	83,48

Выписка егрюл с сайта фнс \ Акты, образцы, формы, договоры \ Консультант Плюс

API-ФНС | Помощь

Предоставление выписки из Единого государственного реестра налогоплательщиков (ЕГРН) В избранное

ФНС запустила бесплатный сервис для отслеживания изменений в данных о компаниях Статьи редакции

Кого не коснется расширение доступа ФНС к банковской тайне — Российская газета

Справка для ФНС об оплате медицинских услуг ИНВИТРО

SCIRP с открытым доступом

Недавно опубликованные статьи

Контролируемые методы извлечения клинических событий из кардиологических отчетов на итальянском языке

Bioconductor Forum

новаторских подходов, основанных на особенностях, для извлечения взаимодействий между лекарствами из биомедицинского текста | Биоинформатика

Абстрактные

1 ВВЕДЕНИЕ

2 МЕТОДА

2.2 Предварительная обработка текста

2.3 Структурированное представление

2.3 Характеристики

2.4 Разделение пар DDI

2.5 Машинное обучение

3 РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

3.1 Наборы данных

3.2 Преобразование наборов данных

3.3 Настройки оценки

3.4 Производительность извлечения DDI

3.5 Анализ производительности

3.5.1 Различия в производительности для разных наборов данных

3.5.2 Вклад предлагаемых наборов функций

3.5.3 Вычислительная производительность и сложность

3.5.4 Анализ ошибок

4 ВЫВОДЫ

ССЫЛКИ

Заметки автора

Высокоскоростное извлечение гиперспектральных изображений в структуре базы данных плюмового излучения

Настройка вашего браузера для приема файлов cookie

Почему этому сайту требуются файлы cookie?

Что сохраняется в файле cookie?

Об авторе

alexxlab

Читайте также

Как сшить игрушки из флиса своими руками: пошаговые мастер-классы с выкройками

Как сшить одежду для новорожденного своими руками: пошаговая инструкция

Позы во сне: о чем они говорят и как влияют на здоровье

Добавить комментарий Отменить ответ