論文の概要: Knowledge-aware Attention Network for Protein-Protein Interaction Extraction

• arxiv url: http://arxiv.org/abs/2001.02091v1
• Date: Tue, 7 Jan 2020 15:02:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-13 20:44:21.552517
• Title: Knowledge-aware Attention Network for Protein-Protein Interaction Extraction
• Title（参考訳）: タンパク質間相互作用抽出のための知識認識型注意ネットワーク
• Authors: Huiwei Zhou, Zhuang Liu1, Shixian Ning, Chengkun Lang, Yingyu Lin, Lei Du
• Abstract要約: 本稿では、タンパク質対とPPI抽出のためのコンテキスト情報に関する事前知識を融合させる知識認識型注意ネットワーク(KAN)を提案する。 BioCreative VI PPIデータセットの実験結果から,提案手法は複数の単語間の知識依存を連続的に獲得できることが示された。
• 参考スコア（独自算出の注目度）: 0.9949801888214528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Protein-protein interaction (PPI) extraction from published scientific literature provides additional support for precision medicine efforts. However, many of the current PPI extraction methods need extensive feature engineering and cannot make full use of the prior knowledge in knowledge bases (KB). KBs contain huge amounts of structured information about entities and relationships, therefore plays a pivotal role in PPI extraction. This paper proposes a knowledge-aware attention network (KAN) to fuse prior knowledge about protein-protein pairs and context information for PPI extraction. The proposed model first adopts a diagonal-disabled multi-head attention mechanism to encode context sequence along with knowledge representations learned from KB. Then a novel multi-dimensional attention mechanism is used to select the features that can best describe the encoded context. Experiment results on the BioCreative VI PPI dataset show that the proposed approach could acquire knowledge-aware dependencies between different words in a sequence and lead to a new state-of-the-art performance.
• Abstract（参考訳）: 公開科学文献からのタンパク質-タンパク質相互作用(ppi)の抽出は、精密医学への追加支援を提供する。 しかし、現在のPPI抽出法の多くは広範な特徴工学を必要としており、知識ベース(KB)の知識を十分に活用することはできない。 KBはエンティティや関係に関する膨大な構造化情報を含んでいるため、PPI抽出において重要な役割を果たす。 本稿では,タンパク質対の事前知識とppi抽出のためのコンテキスト情報を融合する知識認識アテンションネットワーク(kan)を提案する。 提案モデルではまず, KB から学習した知識表現とともに, コンテキストシーケンスを符号化する多視点アテンション機構を採用する。 次に、エンコードされたコンテキストを最もよく記述できる特徴を選択するために、新しい多次元注意機構を用いる。 BioCreative VI PPIデータセットによる実験結果から,提案手法は複数の単語間の知識依存を連続的に獲得し,新たな最先端性能を実現することができることがわかった。

関連論文リスト

• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• Extracting Protein-Protein Interactions (PPIs) from Biomedical Literature using Attention-based Relational Context Information [5.456047952635665]
  本研究は,二元的相互作用型ラベルを付加したベット型相互作用定義を用いた多元的PPIコーパスを提案する。 変換器を用いた深層学習手法は,関係表現のための関係文脈情報を利用して関係分類性能を向上させる。 このモデルの性能は, 広く研究されている4つのバイオメディカル関係抽出データセットで評価される。
  論文  参考訳（メタデータ） (2024-03-08T01:43:21Z)
• MAPE-PPI: Towards Effective and Efficient Protein-Protein Interaction Prediction via Microenvironment-Aware Protein Embedding [82.31506767274841]
  タンパク質-プロテイン相互作用(PPI)は、様々な生物学的過程において基本的であり、生命活動において重要な役割を果たしている。 MPAE-PPIは、十分に大きな「語彙」を介して、マイクロ環境を化学的に意味のある離散コードに符号化する MPAE-PPIは、数百万のPPIでPPI予測にスケールでき、有効性と計算効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2024-02-22T09:04:41Z)
• Picking the Underused Heads: A Network Pruning Perspective of Attention Head Selection for Fusing Dialogue Coreference Information [50.41829484199252]
  マルチヘッド自己アテンション機構を持つトランスフォーマーベースのモデルは自然言語処理で広く利用されている。 ネットワークプルーニングの観点から,特徴注入のためのアテンションヘッドの選択と操作戦略について検討する。
  論文  参考訳（メタデータ） (2023-12-15T05:27:24Z)
• UNTER: A Unified Knowledge Interface for Enhancing Pre-trained Language Models [100.4659557650775]
  構造化知識と非構造化知識の両方を活用する統一的な視点を提供するために、統一知識インターフェイスUNTERを提案する。 どちらの形態の知識も注入され、UNTERは一連の知識駆動NLPタスクの継続的な改善を得る。
  論文  参考訳（メタデータ） (2023-05-02T17:33:28Z)
• Towards Unified AI Drug Discovery with Multiple Knowledge Modalities [5.232382666884214]
  我々は,統合型,エンドツーエンド,マルチモーダルなディープラーニングフレームワークであるKEDDを提案する。 膨大なAI薬物発見タスクに対して、構造化知識と非構造化知識の両方を最適に組み込む。 我々のフレームワークは分子の深い理解を実現し、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-04-17T13:15:16Z)
• Structure-aware Protein Self-supervised Learning [50.04673179816619]
  本稿では,タンパク質の構造情報を取得するための構造認識型タンパク質自己教師学習法を提案する。 特に、タンパク質構造情報を保存するために、よく設計されたグラフニューラルネットワーク(GNN)モデルを事前訓練する。 タンパク質言語モデルにおける逐次情報と特別に設計されたGNNモデルにおける構造情報との関係を,新しい擬似二段階最適化手法を用いて同定する。
  論文  参考訳（メタデータ） (2022-04-06T02:18:41Z)
• Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis [96.53859361560505]
  本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。 KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。 3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2022-01-13T08:25:53Z)
• Joint Biomedical Entity and Relation Extraction with Knowledge-Enhanced Collective Inference [42.255596963210564]
  KECIという名前の結合エンティティと関係抽出のための外部知識を利用する新しいフレームワークを提案する。 KeCIは、グローバルリレーショナル情報をローカル表現に統合することで、参照スパンをエンティティにリンクする集合的なアプローチを採用している。 実験の結果、このフレームワークは2つの異なるベンチマークデータセットで新しい最先端の成果を得られることが判明した。
  論文  参考訳（メタデータ） (2021-05-27T21:33:34Z)
• Leveraging Prior Knowledge for Protein-Protein Interaction Extraction with Memory Network [3.67243903939214]
  本稿では,PPI抽出のための新しいメモリネットワークモデル(MNM)を提案する。 提案するMNMは,知識ベースから学習した知識表現に関連する重要な文脈手がかりを抽出する。
  論文  参考訳（メタデータ） (2020-01-07T15:11:27Z)
• Chemical-induced Disease Relation Extraction with Dependency Information and Prior Knowledge [2.9686294158279414]
  本稿では,CDR抽出のための新しいコンボリューション・アテンション・ネットワーク(CAN)を提案する。 まず, 文中の化学物質と疾患のペア間の最短依存経路(SDP)を抽出する。 その後、KBから学習した知識表現に関連する各意味依存ベクトルの重要性と重みを学習するための注意機構が導入された。
  論文  参考訳（メタデータ） (2020-01-02T02:24:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。