論文の概要: Causal knowledge graph analysis identifies adverse drug effects
- arxiv url: http://arxiv.org/abs/2505.06949v1
- Date: Sun, 11 May 2025 11:35:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-13 20:21:49.128901
- Title: Causal knowledge graph analysis identifies adverse drug effects
- Title（参考訳）: 因果知識グラフ解析による副作用の同定
- Authors: Sumyyah Toonsi, Paul Schofield, Robert Hoehndorf,
- Abstract要約: 因果知識グラフ(CKG)の新たな定式化について紹介する。
CKGは知識グラフを形式的な因果意味論で拡張し、因果推論を原則化しながら、その推論能力を保存する。
我々は, 疾患進行経路, 薬物の表示, 副作用, 階層的疾患分類を統合化して, 大規模メディエーション分析の自動化を実現した薬物系CKGを構築した。
- 参考スコア（独自算出の注目度）: 0.8953677815921737
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowledge graphs and structural causal models have each proven valuable for organizing biomedical knowledge and estimating causal effects, but remain largely disconnected: knowledge graphs encode qualitative relationships focusing on facts and deductive reasoning without formal probabilistic semantics, while causal models lack integration with background knowledge in knowledge graphs and have no access to the deductive reasoning capabilities that knowledge graphs provide. To bridge this gap, we introduce a novel formulation of Causal Knowledge Graphs (CKGs) which extend knowledge graphs with formal causal semantics, preserving their deductive capabilities while enabling principled causal inference. CKGs support deconfounding via explicitly marked causal edges and facilitate hypothesis formulation aligned with both encoded and entailed background knowledge. We constructed a Drug-Disease CKG (DD-CKG) integrating disease progression pathways, drug indications, side-effects, and hierarchical disease classification to enable automated large-scale mediation analysis. Applied to UK Biobank and MIMIC-IV cohorts, we tested whether drugs mediate effects between indications and downstream disease progression, adjusting for confounders inferred from the DD-CKG. Our approach successfully reproduced known adverse drug reactions with high precision while identifying previously undocumented significant candidate adverse effects. Further validation through side effect similarity analysis demonstrated that combining our predicted drug effects with established databases significantly improves the prediction of shared drug indications, supporting the clinical relevance of our novel findings. These results demonstrate that our methodology provides a generalizable, knowledge-driven framework for scalable causal inference.
- Abstract（参考訳）: 知識グラフは、形式的確率論的意味論を伴わずに、事実や帰納的推論に焦点を絞った定性的な関係を符号化するが、因果的モデルは知識グラフの背景知識との結合を欠き、知識グラフが提供した帰納的推論能力にアクセスできない。
このギャップを埋めるために,本論文では,知識グラフを形式的因果意味論で拡張し,因果推論を原則的に実現しつつ,その推論能力を保った新しい因果知識グラフ(CKG)を導入する。
CKGは、明示的にマークされた因果エッジを介してデコンダンディングをサポートし、符号化された背景知識と関連する背景知識の両方に整合した仮説の定式化を促進する。
そこで我々は, 疾患進行経路, 薬物表示, 副作用, 階層型疾患分類を統合したDD-CKG (DD-CKG) を構築し, 大規模メディエーション分析の自動化を実現した。
UK BiobankおよびMIMIC-IVコホートに適用し、DD-CKGから推定される共同設立者に対して、薬剤が適応と下流病の進行の間の効果を媒介するかどうかを調べた。
提案手法は, 既往の有意な副作用を同定しながら, 高い精度で既知の有害薬物反応を再現することに成功した。
サイドエフェクト類似性分析によるさらなる検証により、予測された薬物効果と確立されたデータベースを組み合わせることで、共有薬物表示の予測が有意に改善し、新規発見の臨床的意義が裏付けられた。
これらの結果は,我々の方法論が,スケーラブルな因果推論のための一般化可能な,知識駆動型フレームワークを提供することを示す。
関連論文リスト
- A Systematic Evaluation of Knowledge Graph Embeddings for Gene-Disease Association Prediction [0.0]
本研究は,ノード対分類タスクに対してリンク予測の性能を比較するための新しいフレームワークを提案する。
また、疾患特異的なオントロジーによる意味豊かさの影響や、評価間の追加的な関連性も評価する。
その結果、エンコードされた疾患の表現を豊かにすることは、パフォーマンスをわずかに改善する一方、追加リンクはより大きな影響を与えることがわかった。
論文 参考訳（メタデータ） (2025-04-11T11:11:35Z) - Discovery of the Hidden World with Large Language Models [95.58823685009727]
本稿では,大きな言語モデル(LLM)を導入してギャップを埋めるCausal representatiOn AssistanT(COAT)を提案する。
LLMは世界中の大規模な観測に基づいて訓練されており、構造化されていないデータから重要な情報を抽出する優れた能力を示している。
COATはまた、特定変数間の因果関係を見つけるためにCDを採用し、提案された要因を反復的に洗練するためにLSMにフィードバックを提供する。
論文 参考訳（メタデータ） (2024-02-06T12:18:54Z) - 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) - Fact-Checking Generative AI: Ontology-Driven Biological Graphs for Disease-Gene Link Verification [45.65374554914359]
本研究の目的は,ChatGPTの内容から得られた生物学的グラフに埋め込まれた知識の事実チェックを実現することである。
そこで我々は,ChatGPTの関連エンティティの系統的尋問を可能にする生物学的ネットワークアプローチを採用した。
本研究は,ChatGPT生成テキスト中の集合疾患遺伝子関係の高精度な解析を行った。
論文 参考訳（メタデータ） (2023-08-07T22:13:30Z) - Optimizing Data-driven Causal Discovery Using Knowledge-guided Search [3.7489744097107316]
本研究では,知識誘導型因果構造探索(KGS)手法を提案する。
人工的およびベンチマーク的実世界のデータセットを用いて、KGSを複数の環境で評価し、また、酸素治療に関する実生活医療アプリケーションで評価した。
論文 参考訳（メタデータ） (2023-04-11T20:56:33Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。
このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。
ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文 参考訳（メタデータ） (2022-12-20T18:31:50Z) - 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) - Estimation of Causal Effects in the Presence of Unobserved Confounding
in the Alzheimer's Continuum [3.2489082010225494]
アルツハイマー病の病因と効果に関する現在の臨床知識から因果グラフを導出する。
因果効果の識別可能性を示すためには,すべての共同創設者の認識と測定が必要である。
理論的解析では,代用共同設立者が神経解剖学の認知に対する因果的影響を識別できることが証明された。
論文 参考訳（メタデータ） (2020-06-23T16:29:54Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。