Base de données de départ : FlyBase

1996 : 80 000 références de publications sur la drosophile, 9 500 gènes répertoriés

1998 : 89 000 références de publications sur la drosophile, 15 000 gènes

• Etapes successives :

• Extraction de champs spécifiques

• Reformatage

• Filtrage

• Dédoublonnage

• Balisage des noms de gènes et de protéines

• Filtrage : sélection des phrases contenant 2 et seulement 2 noms de gènes (phrases traitant potentiellement d’interactions)

• Constitution d’une nouvelle base de données comprenant :

1199 phrases validées biologiquement pour la présence ou non d’interactions et concernant 550 gènes répertoriés

Les phrases se répartissent en 3 catégories:

• phrases traitant d’interactions (phrases Y)

• phrases ne traitant pas d’interactions (phrases N)

• phrases indéterminées (phrases I)

• Lemmatisation (1900 formes)