論文の概要: Explainable Enrichment-Driven GrAph Reasoner (EDGAR) for Large Knowledge Graphs with Applications in Drug Repurposing

• arxiv url: http://arxiv.org/abs/2409.18659v2
• Date: Wed, 13 Nov 2024 15:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:08:24.907922
• Title: Explainable Enrichment-Driven GrAph Reasoner (EDGAR) for Large Knowledge Graphs with Applications in Drug Repurposing
• Title（参考訳）: 大規模知識グラフのための説明可能なエンリッチメント駆動型GrAph Reasoner(EDGAR)と医薬品再資源化への応用
• Authors: Olawumi Olasunkanmi, Evan Morris, Yaphet Kebede, Harlin Lee, Stanley Ahalt, Alexander Tropsha, Chris Bizon,
• Abstract要約: 我々は、知識グラフ(KGs)のリンク予測フレームワーク、Enrichment-Driven GrAph Reasoner (EDGAR)を提案する。 EDGARは、エンティティローカルなルールをマイニングすることで、新しいエッジを推論する。 大規模バイオメディカルKG, ROBOKOPにおけるEDGARの有効性を実証し, アルツハイマー病(AD)に対する薬物再投与に焦点を当てた。 グラフの完全化と薬物再資源化に富化分析を適用した最初の研究である。
• 参考スコア（独自算出の注目度）: 37.35838131516701
• License:
• Abstract: Knowledge graphs (KGs) represent connections and relationships between real-world entities. We propose a link prediction framework for KGs named Enrichment-Driven GrAph Reasoner (EDGAR), which infers new edges by mining entity-local rules. This approach leverages enrichment analysis, a well-established statistical method used to identify mechanisms common to sets of differentially expressed genes. EDGAR's inference results are inherently explainable and rankable, with p-values indicating the statistical significance of each enrichment-based rule. We demonstrate the framework's effectiveness on a large-scale biomedical KG, ROBOKOP, focusing on drug repurposing for Alzheimer disease (AD) as a case study. Initially, we extracted 14 known drugs from the KG and identified 20 contextual biomarkers through enrichment analysis, revealing functional pathways relevant to shared drug efficacy for AD. Subsequently, using the top 1000 enrichment results, our system identified 1246 additional drug candidates for AD treatment. The top 10 candidates were validated using evidence from medical literature. EDGAR is deployed within ROBOKOP, complete with a web user interface. This is the first study to apply enrichment analysis to large graph completion and drug repurposing.
• Abstract（参考訳）: 知識グラフ(KG)は、現実世界の実体間の関係と関係を表す。 本稿では,KG のリンク予測フレームワークである Enrichment-Driven GrAph Reasoner (EDGAR) を提案する。 このアプローチは、差分表現された遺伝子の集合に共通するメカニズムを特定するためによく確立された統計手法であるエンリッチメント解析を利用する。 EDGARの推論結果は本質的に説明可能でランク付け可能であり、各エンリッチメント法則の統計的意義を示すp-値である。 大規模バイオメディカルKG(ROBOKOP)に対する本フレームワークの有効性を実証し,アルツハイマー病(AD)の薬物再服用に焦点をあてた。 当初,KGから14種類の既知の薬物を抽出し,拡張分析により20種類の文脈的バイオマーカーを同定し,ADの共有薬剤効果に関連する機能的経路を明らかにした。 以上の結果から,AD治療の薬剤候補は1246名であった。 上位10人の候補者は、医学文献の証拠を用いて検証された。 EDGARはROBOKOP内にデプロイされ、Webユーザインターフェースが完備している。 グラフの完全化と薬物再資源化に富化分析を適用した最初の研究である。

関連論文リスト

• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• drGAT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network [9.637695046701493]
  drGATは、薬物に対する感受性を予測するグラフ深層学習モデルである。 drGATは既存のモデルよりも優れた性能を示し、精度は78%、F1スコアは76%、DNA損傷物質は269である。 本手法は薬剤感受性を正確に予測するために有用であり,がん患者の治療に関するバイオマーカーの同定に有用である。
  論文  参考訳（メタデータ） (2024-05-14T22:16:52Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDN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の信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
  本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。 DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。 ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
  論文  参考訳（メタデータ） (2022-12-07T19:14:17Z)
• KGML-xDTD: A Knowledge Graph-based Machine Learning Framework for Drug Treatment Prediction and Mechanism Description [11.64859287146094]
  KGML-xDTD(知識グラフに基づく機械学習フレームワーク)を提案する。 グラフベースの強化学習プロセスにおける中間指導として,知識と公開に基づく情報を活用し,生物学的に意味のある「実証経路」を抽出する。
  論文  参考訳（メタデータ） (2022-11-30T17:05:22Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• Towards Incorporating Entity-specific Knowledge Graph Information in Predicting Drug-Drug Interactions [1.14219428942199]
  本稿では,他のバイオメディカル・エンティティとの相互作用から得られる薬物の埋め込みと,ドメイン固有のBioBERT埋め込みに基づくRCアーキテクチャを組み合わせる新しい手法であるBERTKG-DDIを提案する。 DDIExtraction 2013 コーパスで行った実験では、この戦略が他のベースラインアーキテクチャを4.1%マクロF1スコアで改善することを明確に示している。
  論文  参考訳（メタデータ） (2020-12-21T06:44:32Z)
• Drug Repurposing for COVID-19 via Knowledge Graph Completion [6.705100803382272]
  薬物候補を同定するための新しい,統合的で,ニューラルネットワークに基づく文献ベースの発見(LBD)手法を提案する。 提案手法は,SemRepを用いて抽出したセマンティックトリプルに依存する。 5つのSOTA, 神経知識グラフ補完アルゴリズムを用いて, 薬物再服用候補の予測を行った。
  論文  参考訳（メタデータ） (2020-10-19T15:30:51Z)
• 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。