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

• arxiv url: http://arxiv.org/abs/2502.13344v3
• Date: Wed, 28 May 2025 23:21:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.36781
• 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、密度の高いバイオメディカル知識グラフから構造化され、多様性があり、生物学的に意味のあるマルチホップパスを抽出する、モデルに依存しない検索フレームワークである。 これらの経路は、保存されていない薬物・薬物・消毒相互作用の予測を可能にする。 実験によると、K-Pathsは最先端の言語モデル間でゼロショット推論を改善する。
• 参考スコア（独自算出の注目度）: 21.72997408572975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical knowledge graphs (KGs) encode rich, structured information critical for drug discovery tasks, but extracting meaningful insights from large-scale KGs remains challenging due to their complex structure. Existing biomedical subgraph retrieval methods are tailored for graph neural networks (GNNs), limiting compatibility with other paradigms, including large language models (LLMs). We introduce K-Paths, a model-agnostic retrieval framework that extracts structured, diverse, and biologically meaningful multi-hop paths from dense biomedical KGs. These paths enable the prediction of unobserved drug-drug and drug-disease interactions, including those involving entities not seen during training, thus supporting inductive reasoning. K-Paths is training-free and employs a diversity-aware adaptation of Yen's algorithm to extract the K shortest loopless paths between entities in a query, prioritizing biologically relevant and relationally diverse connections. These paths serve as concise, interpretable reasoning chains that can be directly integrated with LLMs or GNNs to improve generalization, accuracy, and enable explainable inference. Experiments on benchmark datasets show that K-Paths improves zero-shot reasoning across state-of-the-art LLMs. For instance, Tx-Gemma 27B improves by 19.8 and 4.0 F1 points on interaction severity prediction and drug repurposing tasks, respectively. Llama 70B achieves gains of 8.5 and 6.2 points on the same tasks. K-Paths also boosts the training efficiency of EmerGNN, a state-of-the-art GNN, by reducing the KG size by 90% while maintaining predictive performance. Beyond efficiency, K-Paths bridges the gap between KGs and LLMs, enabling scalable and explainable LLM-augmented scientific discovery. We release our code and the retrieved paths as a benchmark for inductive reasoning.
• Abstract（参考訳）: バイオメディカルナレッジグラフ(KG)は、薬物発見に不可欠なリッチで構造化された情報をエンコードするが、その複雑な構造のため、大規模なKGから意味のある洞察を抽出することは困難である。 既存のバイオメディカルサブグラフ検索法はグラフニューラルネットワーク(GNN)に最適化されており、大きな言語モデル(LLM)を含む他のパラダイムとの互換性を制限している。 K-Pathsは,高密度生医学的KGから構造,多様性,生物学的に有意義なマルチホップパスを抽出する,モデルに依存しない検索フレームワークである。 これらの経路は、トレーニング中に見えない物質を含む、保存されていない薬物・薬物・薬物・消毒相互作用の予測を可能にし、誘導的推論をサポートする。 K-Pathsはトレーニング不要で、Yenのアルゴリズムの多様性を意識した適応を用いて、クエリ内のエンティティ間のK短ループレスパスを抽出し、生物学的に関連性があり、関係性に多様なコネクションを優先する。 これらの経路は簡潔で解釈可能な推論チェーンとして機能し、LLMやGNNと直接統合して一般化、精度を改善し、説明可能な推論を可能にする。 ベンチマークデータセットの実験では、K-Pathsは最先端のLCM間のゼロショット推論を改善している。 例えば、Tx-Gemma 27Bは19.8ポイント、F1ポイントが4.0ポイント向上し、それぞれ相互作用の重大度予測と薬物再資源化のタスクが向上する。 Llama 70Bは同じタスクで8.5および6.2ポイントのゲインを達成する。 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のトレーニング効率も向上する。 効率性以外にも、K-PathsはKGとLLMのギャップを埋め、スケーラブルで説明可能なLLMによる科学的発見を可能にする。 帰納的推論のベンチマークとして,コードと検索パスを公開しています。

関連論文リスト

• MuCoS: Efficient Drug Target Discovery via Multi Context Aware Sampling in Knowledge Graphs [0.0]
  Multi Context Aware Sampling (MuCoS) は、高密度の隣人を対象にした新しいフレームワークである。 KEGG50kデータセットの実験では、MuCoSは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-03-11T06:08:42Z)
• 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。