論文の概要: Leveraging Prior Knowledge for Protein-Protein Interaction Extraction
with Memory Network
- arxiv url: http://arxiv.org/abs/2001.02107v1
- Date: Tue, 7 Jan 2020 15:11:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 20:44:04.295759
- Title: Leveraging Prior Knowledge for Protein-Protein Interaction Extraction
with Memory Network
- Title(参考訳): 記憶ネットワークを用いたタンパク質間相互作用抽出のための事前知識の活用
- Authors: Huiwei Zhou, Zhuang Liu, Shixian Ning, Yunlong Yang, Chengkun Lang,
Yingyu Lin, Kun Ma
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.67243903939214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatically extracting Protein-Protein Interactions (PPI) from biomedical
literature provides additional support for precision medicine efforts. This
paper proposes a novel memory network-based model (MNM) for PPI extraction,
which leverages prior knowledge about protein-protein pairs with memory
networks. The proposed MNM captures important context clues related to
knowledge representations learned from knowledge bases. Both entity embeddings
and relation embeddings of prior knowledge are effective in improving the PPI
extraction model, leading to a new state-of-the-art performance on the
BioCreative VI PPI dataset. The paper also shows that multiple computational
layers over an external memory are superior to long short-term memory networks
with the local memories.
- Abstract(参考訳): バイオメディカル文献からタンパク質-タンパク質相互作用(PPI)を自動抽出することで、精密医療への取り組みが促進される。
本稿では,ppi抽出のための新しいメモリネットワークベースモデル(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する重要な文脈手がかりを捉えている。
先行知識の実体埋め込みと関係埋め込みは、PPI抽出モデルの改善に有効であり、BioCreative VI PPIデータセット上での新たな最先端パフォーマンスをもたらす。
また、外部メモリ上の複数の計算層は、局所記憶を伴う長期記憶ネットワークよりも優れていることを示す。
関連論文リスト
- 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) - Topology-aware Embedding Memory for Continual Learning on Expanding
Networks [69.21427519408016]
メモリリプレイ技術は、漸進的に蓄積されたユークリッドデータによる継続的な学習において大きな成功を収めている。
しかし、ネットワークの継続的な拡張にそれらを直接適用することは、潜在的なメモリ爆発問題につながる。
我々は、トポロジ-埋め込みメモリ(TEM)を備えた一般フレームワーク、すなわちTEMaware Decoupled Graph Neural Networks(PDGNN)を提案する。
本稿では,TEMを用いたTEMaware PDGNNが最先端技術,特に難易度の高いクラスインクリメンタルセッティングにおいて著しく優れていることを示す。
論文 参考訳(メタデータ) (2024-01-24T03:03:17Z) - MMDesign: Multi-Modality Transfer Learning for Generative Protein Design [66.49989188722553]
タンパク質の設計は、対応するタンパク質のバックボーンに基づいてタンパク質配列を生成する。
深層生成モデルは、データから直接タンパク質設計を学ぶことを約束している。
パブリックな構造系列ペアリングの欠如は、一般化能力を制限している。
マルチモーダルトランスファー学習を利用するMMDesignと呼ばれる新しいタンパク質設計パラダイムを提案する。
論文 参考訳(メタデータ) (2023-12-11T10:59:23Z) - Understanding AI Cognition: A Neural Module for Inference Inspired by
Human Memory Mechanisms [10.094090483211966]
本稿では,知覚,記憶,推論の構成要素からなるPMIフレームワークを提案する。
メモリモジュールは、作業と長期記憶から構成され、後者は、より蓄積された知識と経験を保持するために高次構造を備えている。
我々は、bAbI-20kやSolt-of-CLEVRデータセットのような質問応答タスクにおいて、一般的なTransformerとCNNモデルを改善するためにPMIを適用します。
論文 参考訳(メタデータ) (2023-10-01T08:12:55Z) - SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for
prior-informed assessment of muscle function and pathology [48.54269377408277]
本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。
SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。
SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
論文 参考訳(メタデータ) (2022-10-28T17:03:04Z) - Biomedical Information Extraction for Disease Gene Prioritization [0.34998703934432673]
本稿では,テキストから生物関係を抽出するバイオメディカル情報抽出パイプラインを提案する。
本研究では,タンパク質-タンパク質相互作用(PPI)を抽出し,それらの抽出をバイオメディカル知識グラフに拡張するために,数千万のPubMed抽象体に適用する。
確立された構造化されたソースからのPPIをすでに含んでいるにもかかわらず、IEベースのグラフへの抽出を拡大することで、新しい疾患遺伝子関連を予測し、hit@30の20%の相対的な増加を予測できることが示されている。
論文 参考訳(メタデータ) (2020-11-10T15:38:42Z) - HiPPO: Recurrent Memory with Optimal Polynomial Projections [93.3537706398653]
本稿では,連続信号と離散時系列をベースに投影してオンライン圧縮するための一般フレームワーク(HiPPO)を提案する。
過去の各時間ステップの重要性を示す尺度が与えられた場合、HiPPOは自然なオンライン関数近似問題に対する最適解を生成する。
このフォーマルなフレームワークは、すべての履歴を記憶するために時間をかけてスケールする新しいメモリ更新メカニズム(HiPPO-LegS)を提供する。
論文 参考訳(メタデータ) (2020-08-17T23:39:33Z) - MPLP: Learning a Message Passing Learning Protocol [63.948465205530916]
人工ニューラルネットワークの重みを学習する新しい手法として,メッセージパッシング学習プロトコル(MPLP)を提案する。
ANNで発生したすべての操作を独立したエージェントとして抽象化する。
各エージェントは、他のエージェントからやってくる多次元メッセージを取り込み、内部状態を更新し、近隣エージェントに渡される多次元メッセージを生成する責任がある。
論文 参考訳(メタデータ) (2020-07-02T09:03:14Z) - Knowledge-aware Attention Network for Protein-Protein Interaction
Extraction [0.9949801888214528]
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。
論文 参考訳(メタデータ) (2020-01-07T15:02:28Z)
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。