論文の概要: Understanding Adverse Biological Effect Predictions Using Knowledge
Graphs
- arxiv url: http://arxiv.org/abs/2210.15985v1
- Date: Fri, 28 Oct 2022 08:32:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 15:50:09.626945
- Title: Understanding Adverse Biological Effect Predictions Using Knowledge
Graphs
- Title(参考訳): 知識グラフを用いた生体影響予測の理解
- Authors: Erik Bryhn Myklebust, Ernesto Jimenez-Ruiz, Jiaoyan Chen, Raoul Wolf,
Knut Erik Tollefsen
- Abstract要約: 我々は、最も関連性の高い効果データからなる知識グラフ(KG)に基づく効果を、ドメイン固有の背景知識として外挿する。
背景知識がモデル予測性能を最大40%向上させる:$R2$(決定係数)
- 参考スコア(独自算出の注目度): 11.607236829607135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extrapolation of adverse biological (toxic) effects of chemicals is an
important contribution to expand available hazard data in (eco)toxicology
without the use of animals in laboratory experiments. In this work, we
extrapolate effects based on a knowledge graph (KG) consisting of the most
relevant effect data as domain-specific background knowledge. An effect
prediction model, with and without background knowledge, was used to predict
mean adverse biological effect concentration of chemicals as a prototypical
type of stressors. The background knowledge improves the model prediction
performance by up to 40\% in terms of $R^2$ (\ie coefficient of determination).
We use the KG and KG embeddings to provide quantitative and qualitative
insights into the predictions. These insights are expected to improve the
confidence in effect prediction. Larger scale implementation of such
extrapolation models should be expected to support hazard and risk assessment,
by simplifying and reducing testing needs.
- Abstract(参考訳): 化学物質の有害な生物学的(毒性)影響の補間は、実験で動物を使わずに(eco)毒性学で利用可能なハザードデータを拡張するための重要な貢献である。
本稿では、最も関連する効果データからなる知識グラフ(kg)に基づく効果を、ドメイン固有の背景知識として推定する。
化学薬品の有害な生物効果濃度を原型的ストレス因子として予測するために,背景知識と無知識の影響予測モデルを用いた。
背景知識は、R^2$(決定係数)でモデル予測性能を最大40\%向上させる。
我々はKGとKGの埋め込みを用いて予測の量的および質的な洞察を提供する。
これらの知見は効果予測の信頼性を向上させることが期待されている。
このような外挿モデルの大規模実装は、テストニーズの簡素化と削減により、ハザードとリスクアセスメントをサポートすることが期待される。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - To Predict or to Reject: Causal Effect Estimation with Uncertainty on
Networked Data [36.31936265985164]
GraphDKLは、グラフによる因果効果推定を行う際に、肯定的仮定違反に対処する最初のフレームワークである。
本研究では,ネットワークデータに対する不確実性を考慮した因果効果推定における提案手法の優位性を示す。
論文 参考訳(メタデータ) (2023-09-15T05:25:43Z) - Measuring Causal Effects of Data Statistics on Language Model's
`Factual' Predictions [59.284907093349425]
大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。
トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。
我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
論文 参考訳(メタデータ) (2022-07-28T17:36:24Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - Modular multi-source prediction of drug side-effects with DruGNN [3.229607826010618]
薬物副作用(DSE)は公衆衛生、医療システムコスト、薬物発見プロセスに高い影響を与える。
それらの発生を予測するためには、異種源からのデータを統合する必要がある。
この研究において、そのような異種データはグラフデータセットに統合され、異なるエンティティ間の関係情報を表現的に表現する。
グラフニューラルネットワーク(GNN)は、データセット上のDSEを非常に有望な結果で予測するために利用される。
論文 参考訳(メタデータ) (2022-02-15T09:41:05Z) - Prediction of Adverse Biological Effects of Chemicals Using Knowledge
Graph Embeddings [5.1168938454615205]
知識グラフ埋め込みを用いることで,ニューラルネットワークによる効果予測の精度が向上することを示す。
我々は,知識グラフ埋め込みモデルの特定の特性を評価し,個々のモデルの性能に光を当てる。
論文 参考訳(メタデータ) (2021-12-08T22:19:16Z) - Label scarcity in biomedicine: Data-rich latent factor discovery
enhances phenotype prediction [102.23901690661916]
低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。
半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
論文 参考訳(メタデータ) (2021-10-12T16:25:50Z) - Predicting Chemical Hazard across Taxa through Machine Learning [0.3262230127283452]
分類学と実験装置の関連性を分析し,それらを考慮に入れれば,分類性能の大幅な向上が期待できることを示す。
我々は、一般的な機械学習モデル(K-nearest neighbors、ランダムフォレスト、ディープニューラルネットワーク)と、最近提案されたリード・アクロス構造活動関係(RASAR)モデルを用いています。
論文 参考訳(メタデータ) (2021-10-07T15:33:58Z) - Understanding the Performance of Knowledge Graph Embeddings in Drug
Discovery [14.839673015887275]
知識グラフ(KG)と関連する知識グラフ埋め込み(KGE)モデルは、最近、薬物発見の文脈で研究され始めている。
本研究では, 薬物発見指向KGにおけるKGEモデルの予測性能について, 何千回もの実験を通して検討した。
結果から,これらの要因が性能に重大な影響を与え,モデルランキングにも影響を及ぼす可能性が示唆された。
論文 参考訳(メタデータ) (2021-05-17T11:39:54Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳(メタデータ) (2020-06-25T18:25:59Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z)
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。