論文の概要: Integrating Heterogeneous Domain Information into Relation Extraction: A
Case Study on Drug-Drug Interaction Extraction
- arxiv url: http://arxiv.org/abs/2212.10714v1
- Date: Wed, 21 Dec 2022 01:26:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 14:38:08.309665
- Title: Integrating Heterogeneous Domain Information into Relation Extraction: A
Case Study on Drug-Drug Interaction Extraction
- Title（参考訳）: 異種ドメイン情報の関連抽出への統合:薬物と薬物の相互作用抽出を事例として
- Authors: Masaki Asada
- Abstract要約: この論文は、文献からの薬物と薬物の相互作用(DDI)をケーススタディとして扱う。
深部神経関係抽出モデルを作成し、その注意機構を解析する。
異種情報をさらに活用するために、タンパク質エントリ、医療用語、経路などの薬物関連項目を収集する。
- 参考スコア（独自算出の注目度）: 1.0152838128195465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The development of deep neural networks has improved representation learning
in various domains, including textual, graph structural, and relational triple
representations. This development opened the door to new relation extraction
beyond the traditional text-oriented relation extraction. However, research on
the effectiveness of considering multiple heterogeneous domain information
simultaneously is still under exploration, and if a model can take an advantage
of integrating heterogeneous information, it is expected to exhibit a
significant contribution to many problems in the world. This thesis works on
Drug-Drug Interactions (DDIs) from the literature as a case study and realizes
relation extraction utilizing heterogeneous domain information. First, a deep
neural relation extraction model is prepared and its attention mechanism is
analyzed. Next, a method to combine the drug molecular structure information
and drug description information to the input sentence information is proposed,
and the effectiveness of utilizing drug molecular structures and drug
descriptions for the relation extraction task is shown. Then, in order to
further exploit the heterogeneous information, drug-related items, such as
protein entries, medical terms and pathways are collected from multiple
existing databases and a new data set in the form of a knowledge graph (KG) is
constructed. A link prediction task on the constructed data set is conducted to
obtain embedding representations of drugs that contain the heterogeneous domain
information. Finally, a method that integrates the input sentence information
and the heterogeneous KG information is proposed. The proposed model is trained
and evaluated on a widely used data set, and as a result, it is shown that
utilizing heterogeneous domain information significantly improves the
performance of relation extraction from the literature.
- Abstract（参考訳）: ディープニューラルネットワークの開発は、テキスト、グラフ構造、リレーショナルトリプル表現など、さまざまな領域での表現学習を改善した。
この発展は、従来のテキスト指向関係抽出を超えた新しい関係抽出への扉を開いた。
しかし、複数の異種ドメイン情報を同時に考慮することの有効性に関する研究はまだ検討中であり、もしモデルが異種情報を統合する利点を活用できれば、世界中の多くの問題に多大な貢献が期待できる。
本論文は,異種ドメイン情報を用いた関係抽出を実現するために,文献からの薬物・薬物相互作用(DDI)を事例として研究する。
まず、深層神経関係抽出モデルを作成し、その注意機構を分析する。
次に、薬物分子構造情報と薬物記述情報とを入力文情報とを結合させる方法を提案し、その関係抽出タスクに薬物分子構造と薬物記述を利用する効果を示す。
そして、この異種情報をさらに活用するために、複数の既存データベースからタンパク質エントリ、医療用語、経路などの薬物関連項目を収集し、知識グラフ(KG)形式での新しいデータセットを構築する。
構築されたデータセット上のリンク予測タスクを行い、異種ドメイン情報を含む薬物の埋め込み表現を得る。
最後に,入力文情報と異種KG情報を統合する手法を提案する。
提案手法は,広く利用されているデータセット上で学習・評価を行い,異種ドメイン情報の利用により,文献からの関係抽出性能が著しく向上することを示す。
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) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Sentence Bag Graph Formulation for Biomedical Distant Supervision
Relation Extraction [13.173870222632454]
本稿では、エンティティペアを参照する文袋のグラフビューを提案し、エンティティペアに関連する情報のメッセージパスに基づくアグリゲーションを可能にする。
提案手法は,遠隔教師付き関係抽出におけるノイズラベリングの一般的な問題を緩和し,バッグ内に文間の依存性を効果的に組み込む。
論文 参考訳（メタデータ） (2023-10-29T05:48:04Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z) - Communicative Subgraph Representation Learning for Multi-Relational
Inductive Drug-Gene Interaction Prediction [17.478102754113294]
マルチリレーショナル・インダクティブ・ドラッグ-遺伝子相互作用予測(CoSMIG)のための新しいコミュニケーティブ・サブグラフ表現学習法を提案する。
このモデルは、通信メッセージパッシング機構を通じて、薬物遺伝子グラフの関係を強化した。
提案手法は,トランスダクティブシナリオにおいて最先端のベースラインより優れ,インダクティブシナリオでは優れた性能を実現した。
論文 参考訳（メタデータ） (2022-05-12T08:53:45Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Predicting Drug-Drug Interactions from Heterogeneous Data: An Embedding
Approach [20.87835183671462]
薬物構造画像、薬物構造文字列表現、薬物関係のリレーショナル表現などの複数のデータソースを入力として使用する最初の作品を紹介します。
スタンドアロンの異なるデータ型を用いたいくつかの最先端の手法に対する実証的評価は、DDIの予測における異種データの組み合わせの有効性を明確に示しています。
論文 参考訳（メタデータ） (2021-03-19T17:25:48Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - A logic-based relational learning approach to relation extraction: The
OntoILPER system [0.9176056742068812]
論理に基づく関係学習手法OntoILPERを提案する。
OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。
提案手法は統計的手法よりも関係抽出に適していると考えられる。
論文 参考訳（メタデータ） (2020-01-13T12:47:49Z)
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。