Fugu-MT 論文翻訳(概要): BioGraphFusion: Graph Knowledge Embedding for Biological Completion and Reasoning

論文の概要: BioGraphFusion: Graph Knowledge Embedding for Biological Completion and Reasoning

arxiv url: http://arxiv.org/abs/2507.14468v2
Date: Tue, 22 Jul 2025 04:03:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 13:10:14.74172
Title: BioGraphFusion: Graph Knowledge Embedding for Biological Completion and Reasoning
Title（参考訳）: BioGraphFusion: 生物学的補完と推論のためのグラフ知識埋め込み
Authors: Yitong Lin, Jiaying He, Jiahe Chen, Xinnan Zhu, Jianwei Zheng, Tao Bo,
Abstract要約: そこで我々は,BioGraphFusionを紹介した。 3つの重要なバイオメディカルタスクにわたる実験により、バイオグラフフュージョンは最先端のKE、GNN、アンサンブルモデルよりも優れた性能を示した。
参考スコア（独自算出の注目度）: 0.8983181722105922
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Motivation: Biomedical knowledge graphs (KGs) are crucial for drug discovery and disease understanding, yet their completion and reasoning are challenging. Knowledge Embedding (KE) methods capture global semantics but struggle with dynamic structural integration, while Graph Neural Networks (GNNs) excel locally but often lack semantic understanding. Even ensemble approaches, including those leveraging language models, often fail to achieve a deep, adaptive, and synergistic co-evolution between semantic comprehension and structural learning. Addressing this critical gap in fostering continuous, reciprocal refinement between these two aspects in complex biomedical KGs is paramount. Results: We introduce BioGraphFusion, a novel framework for deeply synergistic semantic and structural learning. BioGraphFusion establishes a global semantic foundation via tensor decomposition, guiding an LSTM-driven mechanism to dynamically refine relation embeddings during graph propagation. This fosters adaptive interplay between semantic understanding and structural learning, further enhanced by query-guided subgraph construction and a hybrid scoring mechanism. Experiments across three key biomedical tasks demonstrate BioGraphFusion's superior performance over state-of-the-art KE, GNN, and ensemble models. A case study on Cutaneous Malignant Melanoma 1 (CMM1) highlights its ability to unveil biologically meaningful pathways. Availability and Implementation: Source code and all training data are freely available for download at https://github.com/Y-TARL/BioGraphFusion. Supplementary information: Supplementary data are available at Bioinformatics online.
Abstract（参考訳）: 動機づけ: 医学知識グラフ(KG)は、薬物発見と疾患理解に不可欠であるが、その完成と推論は困難である。 KE(Knowledge Embedding)メソッドはグローバルなセマンティクスをキャプチャするが、動的構造の統合に苦労する一方で、グラフニューラルネットワーク(GNN)は局所的に優れているが、セマンティクスの理解に欠けることが多い。言語モデルを活用するものを含むアンサンブルアプローチでさえ、意味的理解と構造的学習の間の深い、適応的で相乗的な共進化を達成できないことが多い。複雑なバイオメディカルKGにおけるこれらの2つの側面間の相反的改善の促進において、この重要なギャップに対処することが最重要である。結果:我々はBioGraphFusionを紹介した。 BioGraphFusionはテンソル分解を通じてグローバルなセマンティック基盤を確立し、グラフ伝搬中の関係埋め込みを動的に洗練するLSTM駆動機構を導く。これにより意味理解と構造学習の適応的相互作用が促進され、クエリ誘導サブグラフ構築とハイブリッドスコアリング機構によってさらに強化される。 3つの重要なバイオメディカルタスクにわたる実験により、バイオグラフフュージョンは最先端のKE、GNN、アンサンブルモデルよりも優れた性能を示した。皮膚悪性黒色腫1(CMM1)の症例研究は、生物学的に意味のある経路を明らかにする能力を強調している。可用性と実装: ソースコードとトレーニングデータはすべて、https://github.com/Y-TARL/BioGraphFusion.comから無料でダウンロードできる。補助情報: 補助データは、オンラインのBioinformaticsで入手できる。

関連論文リスト

From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
論文参考訳（メタデータ） (2025-03-14T20:15:04Z)
Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
論文参考訳（メタデータ） (2025-01-03T05:29:12Z)
GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文参考訳（メタデータ） (2024-07-08T01:06:13Z)
G-SAP: Graph-based Structure-Aware Prompt Learning over Heterogeneous Knowledge for Commonsense Reasoning [8.02547453169677]
本稿では,G-SAP という名称のコモンセンス推論のためのグラフベース構造認識プロンプト学習モデルを提案する。特にエビデンスグラフは、ConceptNet、Wikipedia、Cambridge Dictionaryといった複数の知識ソースを統合することで構築される。その結果、既存のモデル、特にOpenbookQAデータセット上のSoTA LM+GNNsモデルよりも6.12%改善された。
論文参考訳（メタデータ） (2024-05-09T08:28:12Z)
Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
論文参考訳（メタデータ） (2024-01-12T04:41:23Z)
Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文参考訳（メタデータ） (2023-12-21T14:26:57Z)
Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文参考訳（メタデータ） (2023-10-10T14:37:17Z)
Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
論文参考訳（メタデータ） (2021-12-16T14:22:13Z)
MoCL: Contrastive Learning on Molecular Graphs with Multi-level Domain Knowledge [28.386302970315736]
そこで我々は,表現学習を支援するために,地域レベルとグローバルレベルの両方でドメイン知識を利用するMoCLという新しいフレームワークを提案する。我々は, 線形および半教師付き条件下で, 種々の分子データセット上でMoCLを評価する。
論文参考訳（メタデータ） (2021-06-05T18:00:51Z)
Biomedical Knowledge Graph Refinement and Completion using Graph Representation Learning and Top-K Similarity Measure [1.4660617536303606]
本研究は,統合生物医学知識グラフ chem2bio2rd の離散表現の学習を実証する。学習した埋め込みベクトル間の単純なトップKコサイン類似度尺度を用いて知識グラフの補完と洗練を行う。
論文参考訳（メタデータ） (2020-12-18T22:19:57Z)
Biomedical Event Extraction with Hierarchical Knowledge Graphs [34.078835099079285]
本稿では,Unified Medical Language System (UMLS) の知識を,グラフエッジ条件付き注意ネットワーク (GEANet) と階層グラフ表現による事前学習言語モデルに組み込むことを提案する。 BioNLP 2011 GENIA Event extract taskでは,全イベントの1.41% F1と3.19% F1の改善が達成された。
論文参考訳（メタデータ） (2020-09-20T02:25:05Z)

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。