学术知识图谱

由ICREA 研究员兼IRB 巴塞罗那结构生物信息学和网络生物学实验室负责人Patrick Aloy 博士领导的科学家们开发了一种计算工具Bioteque协调、整合和简化这些数据。结果是一个知识图谱，提供了有关不同生物实体如何相互关联的信息，包括超过 3000 万个功能交互。

IBM研究中心（IBM Research）的深度搜索产品使用自然语言处理(NLP)来“收集和分析大量结构化和非结构化数据”。多年来，从Covid-19研究到分子合成，“深度搜索”（Deep Search）被广泛用于科学领域。现在，IBM Research通过发布Deep Search for scientific Discovery (DS4SD：科学发现深度搜索)，将部分产品开源，从而简化了深度搜索的科学应用。

中国科学院微生物研究所国家微生物科学数据中心马俊才、吴林寰团队的文章“gcCov: LinkedOpen Data for Global Coronavirus Studies”于近日在mLife正式上线。

生物医学转化科学越来越多地利用大型结构化知识库（如统一医学语言系统（UMLS）、语义医学数据库（SemMedDB）、ChEMBL、DrugBank和小分子途径数据库（SMPDB））和数据的计算推理，以促进发现新的治疗目标和模式。自2016年以来，NCATS生物医学数据翻译器项目一直致力于在一个分布式系统中联合自主推理代理和知识提供者，以回答翻译问题。在该项目和更广泛的领域内，迫切需要一个开源框架，能够有效和可重复地建立一个综合的、符合标准的、全面的生物医学知识图谱，可以以标准的序列化形式下载或通过符合FAIR数据原则的公共应用编程接口（API）进行查询。

这个在线学习平台正在构建一个适应您知识水平和兴趣的学习平台，为您量身定制内容。到目前为止已经为机器学习构建了一个概念和依赖关系的知识图谱，这意味着您可以找到实现目标的最快路径。

随着数据挖掘技术的日益成熟，将其运用于材料科学研究已逐渐成为可能。这导致材料信息学这一新兴领域的出现。材料知识图谱作为高效的知识管理载体，能够大规模地从海量材料科学文献中抽取信息，建立实体之间的对应关系，有助于阐明实体之间的内在关联，这将极大地促进我们对科学知识发展的宏观及全面理解。

Microsoft学术知识图谱(MAKG)- 一个包含超过80亿三元组的大型RDF数据集，其中包含有关科学出版物和相关实体的信息