To study the ways in which compounds can induce adverse effects, toxicologists have been constructing Adverse Outcome Pathways (AOPs). An AOP can be considered as a pragmatic tool to capture and visualize mechanisms underlying different types of toxicity inflicted by any kind of stressor, and describes the interactions between key entities that lead to the adverse outcome on multiple biological levels of organization. The construction or optimization of an AOP is a labor intensive process, which currently depends on the manual search, collection, reviewing and synthesis of available scientific literature. This process could however be largely facilitated using Natural Language Processing (NLP) to extract information contained in scientific literature in a systematic, objective, and rapid manner that would lead to greater accuracy and reproducibility. This would support researchers to invest their expertise in the substantive assessment of the AOPs by replacing the time spent on evidence gathering by a critical review of the data extracted by NLP. As case examples, we selected two frequent adversities observed in the liver: namely, cholestasis and steatosis denoting accumulation of bile and lipid, respectively. We used deep learning language models to recognize entities of interest in text and establish causal relationships between them. We demonstrate how an NLP pipeline combining Named Entity Recognition and a simple rules-based relationship extraction model helps screen compounds related to liver adversities in the literature, but also extract mechanistic information for how such adversities develop, from the molecular to the organismal level. Finally, we provide some perspectives opened by the recent progress in Large Language Models and how these could be used in the future. We propose this work brings two main contributions: 1) a proof-of-concept that NLP can support the extraction of information from text for modern toxicology and 2) a template open-source model for recognition of toxicological entities and extraction of their relationships. All resources are openly accessible via GitHub (https://github.com/ontox-project/en-tox).
DOCUMENT
E-discovery projects typically start with an assessment of the collected electronic data in order to estimate the risk to prosecute or defend a legal case. This is not a review task but is appropriately called early case assessment, which is better known as exploratory search in the information retrieval community. This paper first describes text mining methodologies that can be used for enhancing exploratory search. Based on these ideas we present a semantic search dashboard that includes entities that are relevant to investigators such as who knew who, what, where and when. We describe how this dashboard can be powered by results from our ongoing research in the “Semantic Search for E-Discovery” project on topic detection and clustering, semantic enrichment of user profiles, email recipient recommendation, expert finding and identity extraction from digital forensic evidence.
MULTIFILE
We zitten momenteel in een transitie-periode waarin we van een lineaire economie op basis van bestaande business modellen gericht op economische waarde maximalisatie toegaan naar een circulaire economie, waar business modellen streven naar waarde behoud. De volgende stap is de overgang naar een regeneratieve of restauratieve economie, waarin niet alleen economische waarde, maar ook ecologische en sociale waarde wordt gecreëerd (meervoudige waardecreatie). Vanuit accounting perspectief is een parallelle ontwikkeling zichtbaar. Ons huidige accounting systeem is met name gericht op economische waarde. Als gevolg van de transitie van een lineaire economie naar een circulaire economie, zijn er accounting modellen en frameworks in ontwikkeling gericht op meervoudige waardecreatie. De auteurs zijn echter van mening dat in de literatuur een cruciale gap bestaat tussen de ontwikkeling van accounting en meervoudige waardecreatie, en dat huidige modellen en frameworks gericht op meervoudige waarde vooral leiden tot ‘greenwashing’. In deze bijdrage gaan wij na in hoeverre de vigerende concepten van accounting bruikbaar zijn om te sturen op meervoudige waarde. Onder sturen wordt in dit kader bedoeld het bepalen, meten en waarderen. Dit doen wij aan de hand van een conceptuele analyse waarbij we de toepassing van de vigerende accounting concepten ten aanzien van profit vergelijken met mogelijke toepassing van deze concepten in relatie tot people en planet. Wij concluderen dat deze concepten over het algemeen niet toepasbaar zijn voor people en planet. Wij stellen daarom een alternatieve benadering voor, waarbij wij menen dat vigerende accounting concepten grotendeels toepasbaar zijn op people en planet. Dit is gebaseerd op een aanpak waarin het huidige ontologische uitgangspunt van accounting wordt verlaten en waarin we een aangepast ontologisch uitgangspunt verder uitwerken aan de hand van de Triple Depreciation Line (TDL) van Rambaud & Richard (2015). Tenslotte hebben we kritiekpunten geformuleerd op de TDL systematiek en stellen we een alternatieve TDL systematiek voor. Hiermee beoogt dit paper een bijdrage te leveren aan het inzichtelijk maken van de praktische en conceptuele problemen bij de toepassing van vigerende accounting concepten in een circulaire economie, om vervolgens mogelijke oplossingsrichtingen aan te reiken, gericht op bescherming, herstel en regeneratie van natuurlijk en sociaal kapitaal.
DOCUMENT
