論文の概要: Learning to Denoise Unreliable Interactions for Link Prediction on
Biomedical Knowledge Graph
- arxiv url: http://arxiv.org/abs/2312.06682v1
- Date: Sat, 9 Dec 2023 07:08:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 18:57:17.161800
- Title: Learning to Denoise Unreliable Interactions for Link Prediction on
Biomedical Knowledge Graph
- Title(参考訳): バイオメディカル知識グラフを用いたリンク予測のための信頼できないインタラクションを識別する学習
- Authors: Tengfei Ma, Yujie Chen, Wen Tao, Dashun Zheng, Xuan Lin, Patrick
Cheong-lao Pang, Yiping Liu, Yijun Wang, Bosheng Song, Xiangxiang Zeng
- Abstract要約: バイオメディカル知識グラフ(KG)におけるリンク予測は、エンティティ間の未知の相互作用を予測することを目的としている。
本稿では、DenoizedLPと呼ばれるDenoized Link Predictionフレームワークを提案する。
DenoizedLPは、ノイズの多いリンクを学習可能な方法で識別することで、ローカルサブグラフに基づく信頼性の高いインタラクションを得る。
- 参考スコア(独自算出の注目度): 15.101097720509934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction in biomedical knowledge graphs (KGs) aims at predicting
unknown interactions between entities, including drug-target interaction (DTI)
and drug-drug interaction (DDI), which is critical for drug discovery and
therapeutics. Previous methods prefer to utilize the rich semantic relations
and topological structure of the KG to predict missing links, yielding
promising outcomes. However, all these works only focus on improving the
predictive performance without considering the inevitable noise and unreliable
interactions existing in the KGs, which limits the development of KG-based
computational methods. To address these limitations, we propose a Denoised Link
Prediction framework, called DenoisedLP. DenoisedLP obtains reliable
interactions based on the local subgraph by denoising noisy links in a
learnable way, providing a universal module for mining underlying task-relevant
relations. To collaborate with the smoothed semantic information, DenoisedLP
introduces the semantic subgraph by blurring conflict relations around the
predicted link. By maximizing the mutual information between the reliable
structure and smoothed semantic relations, DenoisedLP emphasizes the
informative interactions for predicting relation-specific links. Experimental
results on real-world datasets demonstrate that DenoisedLP outperforms
state-of-the-art methods on DTI and DDI prediction tasks, and verify the
effectiveness and robustness of denoising unreliable interactions on the
contaminated KGs.
- Abstract(参考訳): バイオメディカルナレッジグラフ(kgs)におけるリンク予測は、薬物-標的相互作用(dti)と薬物-薬物相互作用(ddi)を含む未知の相互作用を予測することを目的としている。
従来の手法では、KGのリッチな意味的関係とトポロジカル構造を利用して、欠落したリンクを予測し、有望な結果をもたらす。
しかしながら、これらの研究はすべて、KGベースの計算方法の開発を制限するKGsに存在する避けられないノイズや信頼できない相互作用を考慮せずに、予測性能の改善にのみ焦点を当てている。
これらの制約に対処するために、DenoizedLPと呼ばれるDenoized Link Predictionフレームワークを提案する。
DenoizedLPは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフに基づく信頼性の高い相互作用を得る。
滑らかなセマンティック情報と協調するために、DenoizedLPは予測リンクの周りの競合関係を曖昧にすることでセマンティックサブグラフを導入する。
信頼構造とスムーズな意味関係の相互情報を最大化することにより、DenoizedLPは関係固有のリンクを予測するための情報的相互作用を強調する。
実世界のデータセットに対する実験結果から,DenoizedLPはDTIおよびDDI予測タスクにおいて最先端の手法より優れており,汚染されたKG上での信頼できない相互作用をデノナイズするの有効性と堅牢性を検証する。
関連論文リスト
- PGraphDTA: Improving Drug Target Interaction Prediction using Protein
Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。
タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。
性能向上のための新しい改良を提案する。
論文 参考訳(メタデータ) (2023-10-06T05:00:25Z) - Learning Complete Topology-Aware Correlations Between Relations for
Inductive Link Prediction [97.91714896039421]
関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。
本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。
RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
論文 参考訳(メタデータ) (2023-09-20T08:11:58Z) - Message Intercommunication for Inductive Relation Reasoning [49.731293143079455]
我々はMINESと呼ばれる新しい帰納的関係推論モデルを開発した。
隣り合う部分グラフにメッセージ通信機構を導入する。
我々の実験は、MINESが既存の最先端モデルより優れていることを示している。
論文 参考訳(メタデータ) (2023-05-23T13:51:46Z) - Normalizing Flow-based Neural Process for Few-Shot Knowledge Graph
Completion [69.55700751102376]
FKGC (Few-shot Knowledge Graph completion) は、失明した事実を、無意味な関連のある事実で予測することを目的としている。
既存のFKGC手法はメートル法学習やメタラーニングに基づいており、しばしば分布外や過度に適合する問題に悩まされる。
本稿では,数ショット知識グラフ補完(NP-FKGC)のためのフローベースニューラルプロセスの正規化を提案する。
論文 参考訳(メタデータ) (2023-04-17T11:42:28Z) - ResDTA: Predicting Drug-Target Binding Affinity Using Residual Skip
Connections [0.0]
本稿では,DT結合親和性を予測するための深層学習手法を提案する。
提案したモデルでは,最大のベンチマークデータセットの1つにおいて,最高のコンコーダンス指標(CI)性能を達成している。
論文 参考訳(メタデータ) (2023-03-20T20:27:11Z) - DIDER: Discovering Interpretable Dynamically Evolving Relations [14.69985920418015]
本稿では,内在的解釈可能性を備えた汎用的なエンドツーエンドインタラクションモデリングフレームワークであるDIDER,Discovering Interpretable Dynamically Evolving Relationsを紹介する。
合成と実世界の両方のデータセット上でDIDERを評価する。
論文 参考訳(メタデータ) (2022-08-22T20:55:56Z) - Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す
従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。
本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
論文 参考訳(メタデータ) (2022-05-24T14:25:28Z) - Drug-Target Interaction Prediction via an Ensemble of Weighted Nearest
Neighbors with Interaction Recovery [5.8683934849211745]
薬物とターゲットの相互作用は、構造ベースの薬物類似性および配列ベースの標的タンパク質類似性によって予測される。
既存の類似性に基づくほとんどの方法は、トランスダクティブな設定に従う。
現在のDTIデータセットにおける大量の欠落した相互作用は、ほとんどのDTI予測方法を妨げる。
WkNNIR (Weighted k Nearest Neighbor with Interaction Recovery) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2020-12-22T19:54:18Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-10-25T02:15:24Z) - Temporal Positive-unlabeled Learning for Biomedical Hypothesis
Generation via Risk Estimation [46.852387038668695]
本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。
本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。
実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
論文 参考訳(メタデータ) (2020-10-05T10:58:03Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳(メタデータ) (2020-10-04T00:14:57Z)
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。