論文の概要: K-Paths: Reasoning over Graph Paths for Drug Repurposing and Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2502.13344v1
• Date: Tue, 18 Feb 2025 23:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 14:00:50.020261
• Title: K-Paths: Reasoning over Graph Paths for Drug Repurposing and Drug Interaction Prediction
• Title（参考訳）: K-Paths: 薬物再資源化と薬物相互作用予測のためのグラフパスの推論
• Authors: Tassallah Abdullahi, Ioanna Gemou, Nihal V. Nayak, Ghulam Murtaza, Stephen H. Bach, Carsten Eickhoff, Ritambhara Singh,
• Abstract要約: K-Pathsは、バイオメディカル知識グラフ(KG)から構造化、多様性、生物学的に意味のある経路を抽出する検索フレームワークである。 従来のパスグレードのアプローチとは異なり、K-Pathsはパスを復元し、LLMが直接処理できる構造化フォーマットに変換し、説明可能な推論を容易にする。 実験の結果,K-PathsはLlama 8.1BのF1スコアを12.45ポイント,13.42ポイントの相互作用重度予測においてゼロショット性能を向上させることがわかった。
• 参考スコア（独自算出の注目度）: 21.72997408572975
• License:
• Abstract: Drug discovery is a complex and time-intensive process that requires identifying and validating new therapeutic candidates. Computational approaches using large-scale biomedical knowledge graphs (KGs) offer a promising solution to accelerate this process. However, extracting meaningful insights from large-scale KGs remains challenging due to the complexity of graph traversal. Existing subgraph-based methods are tailored to graph neural networks (GNNs), making them incompatible with other models, such as large language models (LLMs). We introduce K-Paths, a retrieval framework that extracts structured, diverse, and biologically meaningful paths from KGs. Integrating these paths enables LLMs and GNNs to effectively predict unobserved drug-drug and drug-disease interactions. Unlike traditional path-ranking approaches, K-Paths retrieves and transforms paths into a structured format that LLMs can directly process, facilitating explainable reasoning. K-Paths employs a diversity-aware adaptation of Yen's algorithm to retrieve the K shortest loopless paths between entities in an interaction query, prioritizing biologically relevant and diverse relationships. Our experiments on benchmark datasets show that K-Paths improves the zero-shot performance of Llama 8.1B's F1-score by 12.45 points on drug repurposing and 13.42 points on interaction severity prediction. We also show that Llama 70B achieves F1-score gains of 6.18 and 8.46 points, respectively. K-Paths also improves the supervised training efficiency of EmerGNN, a state-of-the-art GNN, by reducing KG size by 90% while maintaining strong predictive performance. Beyond its scalability and efficiency, K-Paths uniquely bridges the gap between KGs and LLMs, providing explainable rationales for predicted interactions. These capabilities show that K-Paths is a valuable tool for efficient data-driven drug discovery.
• Abstract（参考訳）: 薬物発見は複雑で時間を要するプロセスであり、新しい治療候補を特定し検証する必要がある。 大規模バイオメディカル知識グラフ(KG)を用いた計算的アプローチは、このプロセスを加速するための有望な解決策を提供する。 しかし、グラフトラバーサルの複雑さのため、大規模なKGから有意義な洞察を抽出することは依然として困難である。 既存のサブグラフベースの手法はグラフニューラルネットワーク(GNN)に合わせており、大きな言語モデル(LLM)のような他のモデルと互換性がない。 K-Pathsは,KGから構造的,多様性的,生物学的に意味のある経路を抽出する検索フレームワークである。 これらの経路を統合することで、LLMとGNNは、保存されていない薬物と薬物と放出の相互作用を効果的に予測できる。 従来のパスグレードのアプローチとは異なり、K-Pathsはパスを復元し、LLMが直接処理できる構造化フォーマットに変換し、説明可能な推論を容易にする。 K-Pathsは、Yenのアルゴリズムの多様性を意識した適応を用いて、相互作用クエリにおけるエンティティ間のK短いループレスパスを検索し、生物学的に関連性があり多様な関係を優先順位付けする。 Llama 8.1BのF1スコアを12.45ポイント,相互作用重大度予測では13.42ポイント改善した。 また,Llama 70Bは,それぞれ6.18点,8.46点のF1スコアゲインを達成した。 K-Pathsはまた、予測性能を維持しながら、KGサイズを90%削減することで、最先端のGNNであるEmerGNNの教師付きトレーニング効率も改善する。 スケーラビリティと効率性に加えて、K-Paths は KG と LLM のギャップをユニークに橋渡しし、予測された相互作用の理論的根拠を提供する。 これらの能力は、K-Pathsが効率的なデータ駆動型薬物発見のための貴重なツールであることを示している。

関連論文リスト

• Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview Learning for Medical Image Segmentation [3.1002416427168304]
  この論文は網膜血管セグメンテーションの課題に焦点を当てている。 深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。 効率的でシンプルな多視点学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-02T06:31:08Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Meta-Path-based Probabilistic Soft Logic for Drug-Target Interaction Prediction [36.08294497336554]
  薬物-標的相互作用(DTI)予測は、薬物が標的に束縛されるかどうかを予測することを目的としている。 最近提案された手法のほとんどは、DTI予測に単一のドラッグ・ドラッグ類似性およびターゲット・ターゲット類似性情報を使用する。 本稿では,ネットワークに基づく薬物と薬物の相互作用予測手法を提案する。
  論文  参考訳（メタデータ） (2023-06-25T02:30:38Z)
• 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)
• Walk-and-Relate: A Random-Walk-based Algorithm for Representation Learning on Sparse Knowledge Graphs [5.444459446244819]
  本稿では,データ空間の問題に対処するため,三重項数を増加させる効率的な方法を提案する。 また,メタパスの集合から情報的メタパスを高精度かつ効率的に抽出する手法も提案する。 提案したアプローチはモデルに依存しず、拡張トレーニングデータセットは、任意のKG埋め込みアプローチを最初から使用することができる。
  論文  参考訳（メタデータ） (2022-09-19T05:35:23Z)
• Neural Networks for Local Search and Crossover in Vehicle Routing: A Possible Overkill? [10.882329986831087]
  我々は,Hybrid Genetic Search(HGS)を改善するために,グラフニューラルネットワーク(GNN)のヒートマップ形式での予測の利用を検討した。 ノード関連性の尺度を用いて,より高度な戦略を活用すれば,性能を大幅に向上できることを示す。 しかし,当初の期待とは裏腹に,ヒートマップは単純な距離測定よりも有意なアドバンテージを示さなかった。
  論文  参考訳（メタデータ） (2022-09-09T22:08:17Z)
• Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
  本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。 特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
  論文  参考訳（メタデータ） (2020-11-24T02:55:40Z)
• 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)
• GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
  不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。 本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。 まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。 次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
  論文  参考訳（メタデータ） (2020-07-06T11:09:40Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。