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

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

itemsArrayМассив результатов поиска (например, при запросе по ИНН может быть возвращена не одна, а несколько записей)
ЮЛ или ИПobjectТип искомой компании (индивидуальный предприниматель — ИП, юридическое лицо — ЮЛ, НР — представительство иностранного юридического лица)
Поля для ИП:(любое из полей может отсутствовать)
ФИОПолнStringФамилия Имя Отчество индивидуального предпринимателя
ИННФЛStringИНН физического лица
ОГРНИПStringОГРН ИП
ДатаРегStringДата регистрации ИП в формате YYYY-MM-DD
ВидИПИндивидуальный предприниматель или глава крестьянского фермерского хозяйства
ПолМужской или Женский
ВидГраждГражданин РФ или Иностранный гражданин
СтатусStringСтатус ИП. Например, «Действующее», Прекратило деятельность и др.
СтатусДатаДата актуальности статуса в формате YYYY-MM-DD
СпОбрЮЛСпособ образования юридического лица
ДатаПрекрStringДата прекращения деятельности ЮЛ (ИП) (если деятельность прекращена) в формате YYYY-MM-DD
НОobjectСведения о налоговых органах
РегStringКод и наименование регистрирующего (налогового) органа, внесшем запись о юридическом лице
РегДатаStringДата внесения записи о регистрации
УчетStringКод и наименование налогового органа, в котором юридическое лицо состоит (для ЮЛ, прекративших деятельность — состояло) на учете
УчетДатаStringДата постановки на учет в налоговом органе
ПФobjectСведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомПФStringРегистрационный номер в территориальном органе Пенсионного фонда Российской Федерации
ДатаРегПФStringДата регистрации юридического лица в качестве страхователя
КодПФStringКод и наименование территориального органа Пенсионного фонда Российской Федерации
ФССobjectСведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомФССStringРегистрационный номер в исполнительном органе Фонда социального страхования Российской Федерации
ДатаРегФССStringДата регистрации юридического лица в качестве страхователя
КодФССStringКод и наименование исполнительного органа Фонда социального страхования Российской Федерации
АдресobjectСведения об адресе в РФ, внесенные в ЕГРЮЛ
КодРегионStringКод субъекта Российской Федерации
ИндексStringИндекс
АдресПолнobjectПолный адрес (Регион, Район, Город, Населенный пункт, Улица, Дом, Корпус, Квартира)
ДатаStringДата внесения информации в ЕГРЮЛ об адресе
E-mailStringАдрес электронной почты
ОснВидДеятobjectСведения об основном виде деятельности
КодStringКод по Общероссийскому классификатору видов экономической деятельности
ТекстStringНаименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
ДопВидДеятarrayСведения о дополнительных видах деятельности
КодStringКод по Общероссийскому классификатору видов экономической деятельности
ТекстStringНаименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
СПВЗarrayСведения о причинах внесения записей в реестр ЕГРИП
ДатаStringДата внесения записи в ЕГРЮЛ
ТекстStringНаименование вида записи (причины внесения записи в ЕГРИП)
ЛицензииarrayСведения о лицензиях, выданных ИП
НомерЛицStringСерия и номер лицензии
ВидДеятельностиStringНаименование лицензируемого вида деятельности, на который выдана лицензия
ДатаНачалаStringДата начала действия лицензии
ДатаОкончStringДата окончания действия лицензии
МестоДействStringСведения об адресах осуществления лицензируемого вида деятельности (если несколько, то адреса разделяются знаком вертикальной черты |)
ИсторияobjectИсторические сведения о компании
СтатусarrayПрошлые статусы организации
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресarrayИсторические сведения о прошлых адресах компании
Период актуальности данныхobjectВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресПолнStringАдрес полный
Поля для ЮЛ:(любое из полей может отсутствовать)
ИННStringИНН искомой компании
КППStringКПП искомой компании
ОГРНStringОГРН искомой компании
НаимСокрЮЛStringНаименование ЮЛ полное (только для ЮЛ)
НаимПолнЮЛStringНаименование ЮЛ краткое (только для ЮЛ)
ДатаРегStringДата регистрации ЮЛ в формате YYYY-MM-DD
ОКОПФКод по Общероссийскому классификатору организационно-правовых форм. Например, «Общества с ограниченной ответственностью»
СтатусStringСтатус ЮЛ (ИП). Например, «Действующее», «Ликвидировано», «В состоянии реорганизации» и др.
СтатусДатаДата актуальности статуса в формате YYYY-MM-DD
СпОбрЮЛСпособ образования юридического лица
ДатаПрекрStringДата прекращения деятельности ЮЛ (ИП) (если деятельность прекращена) в формате YYYY-MM-DD
НОobjectСведения о налоговых органах
РегStringКод и наименование регистрирующего (налогового) органа, внесшем запись о юридическом лице
РегДатаStringДата внесения записи о регистрации
УчетStringКод и наименование налогового органа, в котором юридическое лицо состоит (для ЮЛ, прекративших деятельность — состояло) на учете
УчетДатаStringДата постановки на учет в налоговом органе
ПФobjectСведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомПФStringРегистрационный номер в территориальном органе Пенсионного фонда Российской Федерации
ДатаРегПФStringДата регистрации юридического лица в качестве страхователя
КодПФStringКод и наименование территориального органа Пенсионного фонда Российской Федерации
ФССobjectСведения о регистрации юридического лица в качестве страхователя в территориальном органе Пенсионного фонда Российской Федерации
РегНомФССStringРегистрационный номер в исполнительном органе Фонда социального страхования Российской Федерации
ДатаРегФССStringДата регистрации юридического лица в качестве страхователя
КодФССStringКод и наименование исполнительного органа Фонда социального страхования Российской Федерации
КапиталobjectСведения о размере указанного в учредительных документах коммерческой организации уставного капитала
ВидКапStringВид капитала. Может принимать значения: «УСТАВНЫЙ КАПИТАЛ», «СКЛАДОЧНЫЙ КАПИТАЛ», «УСТАВНЫЙ ФОНД», «ПАЕВЫЕ ВЗНОСЫ» или «ПАЕВОЙ ФОНД»
СумКапStringРазмер капитала в рублях
ДатаStringДата внесения информации о капитале
АдресobjectСведения об адресе в РФ, внесенные в ЕГРЮЛ
КодРегионStringКод субъекта Российской Федерации
ИндексStringИндекс
АдресПолнobjectПолный адрес (Регион, Район, Город, Населенный пункт, Улица, Дом, Корпус, Квартира)
АдресДеталиobjectДетализация адреса по составным частям
РегионStringРегион
ТипStringТип региона (область, город, республика, автономный округ и др.)
НаимStringНаименование региона
ГородStringГород
ТипStringТип города (город)
НаимStringНаименование города
РайонStringРайон
ТипStringТип района (район, автономная область)
НаимStringНаименование района
НаселПунктStringНаселенный пункт
ТипStringТип населенного пункта (поселок, село, станица, поселок городского типа и др.)
НаимStringНаименование населенного пункта
УлицаStringУлица
ТипStringТип улицы (улица, переулок, проезд, проспект, площадь и др.)
НаимStringНаименование населенного пункта
ДомStringНомер дома
КорпусStringНомер корпуса
КвартStringНомер квартиры (офиса и др.)
ДатаStringДата внесения информации в ЕГРЮЛ об адресе
ПризнНедАдресЮЛobjectСведения о недостоверности адреса
КодStringПризнак недостоверности адреса
ТекстString«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).»
РешИзмАдресobjectСведения о принятии юридическим лицом решения об изменении места нахождения
НовыйАдресStringПолный адрес нового места нахождения
ДатаРешStringДата решения об изменении адреса
РуководительobjectСведения о руководителе организации
ВидДолжнStringВид должности по справочнику СКФЛЮЛ
ДолжнStringНаименование должности
ФИОПолнStringФамилия Имя Отчество должностного лица
ИННФЛStringИНН должностного лица
ОГРНИПStringОГРН индивидуального предпринимателя — управляющего юридическим лицом
ПризнНедДанДолжнФЛobjectСведения о недостоверности данных о лице, имеющем право без доверенности действовать от имени юридического лица
КодStringПризнак недостоверности. Принимает значение: 1, 2 или 3
ТекстString«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).»
ДатаНачДисквStringДата начала дисквалификации лица, имеющем право без доверенности действовать от имени юридического лица
ДатаОкончДисквStringДата окончания дисквалификации лица, имеющем право без доверенности действовать от имени юридического лица
ДатаStringДата внесения в ЕГРЮЛ сведений о руководителе
ИныеРуководителиarrayСведения об иных руководителах в организации
ФИОПолнStringФамилия Имя Отчество должностного лица
ИННФЛStringИНН должностного лица
ДатаStringДата внесения в ЕГРЮЛ сведений о руководителе
ДопИнфоStringНаименование должности
УчредителиarrayСведения об учредителях (участниках) юридического лица
УчрЮЛobjectСведения об учредителе (участнике) — российском юридическом лице
ОГРНОГРН ЮЛ
ИННИНН ЮЛ
НаимСокрЮЛНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусСтатус ЮЛ
УчрИНobjectСведения об учредителе (участнике) — иностранном юридическом лице
НаимПолнЮЛStringНаименование организации
ОКСМStringКод в соответствии с Общероссийским классификатором стран мира и наименование страны
РегНомерStringРегистрационный номер
ДатаРегStringДата регистрации
АдресПолнStringАдрес (место нахождения) в стране происхождения
УчрФЛobjectСведения об учредителе (участнике) — физическом лице
ФИОПолнStringФамилия Имя Отчество учредителя
ИННФЛStringИНН учредителя
УчрРФСубМОStringСведения об учредителе (участнике) — Российской Федерации, субъекте Российской Федерации, муниципальном образовании
СвОргОсущПрobjectСведения об органе государственной власти, органе местного самоуправления или о юридическом лице, осуществляющем права учредителя (участника)
УчрЮЛobjectСведения о юридическом лице, осуществляющем права учредителя (участника)
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
УчрПИФobjectСведения о паевом инвестиционном фонде, в состав имущества которого включена доля в уставном капитале
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
СуммаУКStringНоминальная стоимость доли в рублях
ПроцентStringРазмер доли (в процентах)
ПризнНедДанУчрСведения о недостоверности данных об учредителе (участнике)
КодStringПризнак недостоверности. Принимает значение: 1, 2 или 3
ТекстString«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).»
ДатаStringДата внесения в ЕГРЮЛ сведений об учредителе (участнике)
ЗалогодержателиarrayСведения о залогодержателе доли
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ФИОПолнStringФамилия Имя Отчество залогодержателя (ФЛ)
ИННФЛStringИНН залогодержателя (ФЛ)
НаимПолнЮЛStringНаименование организации залогодержателя (Иностранное лицо)
ОКСМStringКод в соответствии с Общероссийским классификатором стран мира и наименование страны
РегНомерStringРегистрационный номер
ДатаРегStringДата регистрации
АдресПолнStringАдрес (место нахождения) в стране происхождения
ВидОбремененияStringПринимает значение: ЗАЛОГ | ИНОЕ ОБРЕМЕНЕНИЕ
СрокОбремененияStringСрок обременения или порядок определения срока
ДатаStringДата внесения в ЕГРЮЛ записи, содержащей указанные сведения об обременении
ПредшественникиarrayСведения о правопредшественниках
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ПреемникиarrayСведения о правопреемниках
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
УправлОргarrayСведения о доверительном управляющем
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ДержРеестрАОarrayСведения о держателе реестра акционеров акционерного общества
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
Участники в реорганизацииarrayСведения об участниках в реорганизации
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
НомТелStringНомер контактного телефона
E-mailStringАдрес электронной почты
ОснВидДеятobjectСведения об основном виде деятельности
КодStringКод по Общероссийскому классификатору видов экономической деятельности
ТекстStringНаименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
ДопВидДеятarrayСведения о дополнительных видах деятельности
КодStringКод по Общероссийскому классификатору видов экономической деятельности
ТекстStringНаименование вида деятельности по Общероссийскому классификатору видов экономической деятельности
СПВЗarrayСведения о причинах внесения записей в реестр ЕГРЮЛ
ДатаStringДата внесения записи в ЕГРЮЛ
ТекстStringНаименование вида записи (причины внесения записи в ЕГРЮЛ или ЕГРИП)
ФилиалыarrayСведения о филиалах и представительствах компании
ТипStringФилиал или Представительство
АдресStringАдрес филиала или представительства
ОткрСведенияarrayСведения, ранее относившиеся к налоговой тайне, но разрешенные Федеральным законом от 1 мая 2016 года № 134-ФЗ
КолРабStringСреднесписочное количество работников юридического лица
СведСНРStringСписок 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»
ПризнУчКГНStringДа — при участии организации в консолидированной группе налогоплательщиков, иначе — Нет
НалогиarrayИнформация 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)
НаимНалогStringНаименование налога или сбора
СумУплНалStringСумма уплаченного налога или сбора
СумНедНалогStringСумма недоимки по налогу
СумПениStringСумма задолженности по пеням
СумШтрафStringСумма штрафа из-за недоимки по налогу
ОбщСумНедоимStringОбщая сумма недоимки по налогу, пени и штрафу
СумДоходStringСумма доходов по данным бухгалтерской (финансовой) отчетности организации, которые предоставили данную отчетность в ФНС
СумРасходStringСумма расходов по данным бухгалтерской (финансовой) отчетности организации, которые предоставили данную отчетность в ФНС
ОтраслевыеПокobjectСведения об отраслевых показателях, соответствующих основному виду деятельности компании
НалогНагрузкаobjectСведения о среднеотраслевой налоговой нагрузке
РентабельностьobjectСведения о среднеотраслевой рентабельности
ДатаStringДата, по состоянию на которую подготовлены данные (в формате YYYY-MM-DD)
ЛицензииarrayСведения о лицензиях, выданных ЮЛ
НомерЛицStringСерия и номер лицензии
ВидДеятельностиStringНаименование лицензируемого вида деятельности, на который выдана лицензия
ДатаНачалаStringДата начала действия лицензии
ДатаОкончStringДата окончания действия лицензии
МестоДействStringСведения об адресах осуществления лицензируемого вида деятельности (если несколько, то адреса разделяются знаком вертикальной черты |)
УчастияarrayСведения об организациях, в капитале которых участвует компания
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ПроцентStringРазмер доли (в процентах)
СуммаУКStringНоминальная стоимость доли в рублях
ИсторияobjectИсторические сведения о компании
КапиталarrayИсторические сведения о капитале
Период актуальности данныхobjectВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
СумКапStringРазмер капитала в рублях
НаимЮЛПолнarrayПрошлые полные названия организации
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
НаимЮЛСокрarrayПрошлые сокращенные названия организации
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
СтатусarrayПрошлые статусы организации
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресarrayИсторические сведения о прошлых адресах компании
Период актуальности данныхobjectВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресПолнStringАдрес полный
РуководительobjectИсторические сведения о бывших руководителях
Период актуальности данныхarrayВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
ФИОПолнStringФамилия Имя Отчество бывшего должностного лица
ИННФЛStringИНН бывшего должностного лица
ДолжнStringДолжность бывшего должностного лица
ПризнНедДанДолжнФЛStringСведения об исторических данных о недостоверности руководителя
КодStringПризнак недостоверности. Принимает значение: 1, 2 или 3
ТекстString«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).»
ДатаОкончДисквobjectИсторические (удаленные из ЕГРЮЛ) данные о дате окончания дисквалификации руководителя
НомТелStringПрошлые номера контактного телефона
Период актуальности данныхarrayВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
E-mailStringПрошлые адреса электронной почты
Период актуальности данныхarrayВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
ИныеРуководителиarrayСведения о прошлых иных руководителах в организации
ФИОПолнStringФамилия Имя Отчество должностного лица
ИННФЛStringИНН должностного лица
ДатаStringДата внесения в ЕГРЮЛ сведений о руководителе
ДатаОкончStringДата окончания сведений
ДопИнфоStringНаименование должности
УчредителиarrayСведения о прошлых учредителях (участниках) юридического лица
УчрЮЛobjectСведения об учредителе (участнике) — российском юридическом лице
ОГРНОГРН ЮЛ
ИННИНН ЮЛ
НаимСокрЮЛНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусСтатус ЮЛ
УчрИНobjectСведения об учредителе (участнике) — иностранном юридическом лице
НаимПолнЮЛStringНаименование организации
ОКСМStringКод в соответствии с Общероссийским классификатором стран мира и наименование страны
РегНомерStringРегистрационный номер
ДатаРегStringДата регистрации
АдресПолнStringАдрес (место нахождения) в стране происхождения
УчрФЛobjectСведения об учредителе (участнике) — физическом лице
ФИОПолнStringФамилия Имя Отчество учредителя
ИННФЛStringИНН учредителя
УчрРФСубМОStringСведения об учредителе (участнике) — Российской Федерации, субъекте Российской Федерации, муниципальном образовании
СвОргОсущПрobjectСведения об органе государственной власти, органе местного самоуправления или о юридическом лице, осуществляющем права учредителя (участника)
УчрЮЛobjectСведения о юридическом лице, осуществляющем права учредителя (участника)
ОГРНОГРН ЮЛ
ИННИНН ЮЛ
НаимСокрЮЛНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусСтатус ЮЛ
СуммаУКStringНоминальная стоимость доли в рублях
ПроцентStringРазмер доли (в процентах)
ДатаStringДата внесения в ЕГРЮЛ сведений об учредителе (участнике)
ДатаОкончStringДата окончания участия учредителя
ПредшественникиarrayСведения об исторических правопредшественниках
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ДатаОкончStringДата окончания сведений
ПреемникиarrayСведения об исторических правопреемниках
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ДатаОкончStringДата окончания сведений
УправлОргarrayСведения об исторических доверительных управляющих
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ДатаОкончStringДата окончания сведений
ДержРеестрАОarrayСведения об исторических держателях реестра акционеров акционерного общества
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ДатаОкончStringДата окончания сведений
Участники в реорганизацииarrayСведения об исторических участниках в реорганизации
ОГРНStringОГРН ЮЛ
ИННStringИНН ЮЛ
НаимСокрЮЛStringНаименование ЮЛ сокращенное (только для ЮЛ)
СтатусStringСтатус ЮЛ
ДатаStringДата внесения сведений в ЕГРЮЛ
ДатаОкончStringДата окончания сведений
Поля для НР:(любое из полей может отсутствовать)
ИННStringИНН искомой компании
КППStringКПП искомой компании
НЗАStringНомер записи об аккредитации (НЗА) искомой компании
ПризАкStringПринимает значение: «Филиал иностранного юридического лица»» или «Представительство иностранного юридического лица»
НОobjectСведения об учете
АккрStringКод налогового органа, уполномоченного на аккредитацию филиалов/представительств иностранных юридических лиц
АккрДатаStringДата аккредитации (внесения сведений об аккредитации в РАФП)
ДатаПрекрАккрStringДата прекращения действия аккредитации (внесения сведений о прекращении действия аккредитации в РАФП)
УчетStringКод и наименование налогового органа, в котором юридическое лицо состоит (для ЮЛ, прекративших деятельность — состояло) на учете
УчетДатаStringДата постановки на учет в налоговом органе
НаимПредПолнStringПолное наименование филиала, представительства иностранного юридического лица
НаимПредСокрStringКраткое наименование филиала, представительства иностранного юридического лица
НаимЮЛПолнStringПолное наименование иностранного юридического лица
НаимЮЛСокрStringКраткое наименование иностранного юридического лица
АдресobjectСведения об адресе места нахождения филиала, представительства на территории Российской Федерации
КодРегионStringКод субъекта Российской Федерации
ИндексStringИндекс
АдресПолнobjectПолный адрес (Регион, Район, Город, Населенный пункт, Улица, Дом, Корпус, Квартира)
АдресДеталиobjectДетализация адреса по составным частям
РегионStringРегион
ТипStringТип региона (область, город, республика, автономный округ и др.)
НаимStringНаименование региона
ГородStringГород
ТипStringТип города (город)
НаимStringНаименование города
РайонStringРайон
ТипStringТип района (район, автономная область)
НаимStringНаименование района
НаселПунктStringНаселенный пункт
ТипStringТип населенного пункта (поселок, село, станица, поселок городского типа и др.)
НаимStringНаименование населенного пункта
УлицаStringУлица
ТипStringТип улицы (улица, переулок, проезд, проспект, площадь и др.)
НаимStringНаименование населенного пункта
ДомStringНомер дома
КорпусStringНомер корпуса
КвартStringНомер квартиры (офиса и др.)
РуководительobjectСведения о руководителе организации
ФИОПолнStringФамилия Имя Отчество должностного лица
ИННФЛStringИНН должностного лица
СвИнРабАктobjectЧисленность иностранных граждан, являющихся работниками филиала, представительства иностранного юридического лица
ИсторияobjectИсторические сведения о компании
НаимПредПолнarrayПрошлые полные названия филиала, представительства иностранного юридического лица
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
НаимПредСокрarrayПрошлые краткие названия филиала, представительства иностранного юридического лица
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
НаимЮЛПолнarrayПрошлые полные названия организации
Период актуальности данныхStringВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресarrayИсторические сведения о прошлых адресах компании
Период актуальности данныхobjectВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
АдресПолнStringАдрес полный
РуководительobjectИсторические сведения о бывших руководителях
Период актуальности данныхarrayВ формате YYYY-MM-DD ~ YYYY-MM-DD (начальная и конечная даты, разделенные знаком ~ «тильда»)
ФИОПолнStringФамилия Имя Отчество бывшего должностного лица
ИННФЛStringИНН бывшего должностного лица
СвИнРабАктarrayИсторические сведения о прошлых численностях иностранных граждан, являющихся работниками филиала, представительства иностранного юридического лица
Период актуальности данныхobjectВ 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:

  1. Все ли я сделал правильно?
  2. Должен ли я сначала фильтровать, а потом делать eBayes? Меняется мало, но все же значение F.p. с фильтрацией немного выше.
  3. 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
.
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
.
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
.
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
.
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
.
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
(2.80%) (38,20%) (8,60%) (37,70%) (4,10%) (33,80%)
Группа . DB-2013
.
МЛ-2013
.
DDI-2011
.
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
(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
.
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
(2.80%) (38,20%) (8,60%) (37,70%) (4,10%) (33,80%)
Группа . DB-2013
.
МЛ-2013
.
DDI-2011
.
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
(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 905 905 905 905 9
Группа . DB-2013
.
МЛ-2013
.
DDI-2011
.
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
(2.50%) (27,90%) (17,90%) (41,60%) (4,00%) (29,80%)
905 905 905 905 905 905 905 9058 905 905 905 905 9
Группа . DB-2013
.
МЛ-2013
.
DDI-2011
.
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
(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 905 905 905 905 9
Группа . DB-2013
.
МЛ-2013
.
DDI-2011
.
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
(2.50%) (27,90%) (17,90%) (41,60%) (4,00%) (29,80%)
905 905 905 905 905 905 905 9058 905 905 905 905 9
Группа . DB-2013
.
МЛ-2013
.
DDI-2011
.
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
(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

90
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
90
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

90
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
90
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 . 675 90
Group . 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 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 905 8
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

9 9 9058 905 905
Группа . 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 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
90
Группа . 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 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

9 9 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) - Фраза 55 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) - Фраза 5 9 905 - 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.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *