論文の概要: Rewarding Explainability in Drug Repurposing with Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2509.02276v1
• Date: Tue, 02 Sep 2025 12:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:04.030135
• Title: Rewarding Explainability in Drug Repurposing with Knowledge Graphs
• Title（参考訳）: 知識グラフを用いた医薬品リサイクルにおける説明可能性
• Authors: Susana Nunes, Samy Badreddine, Catia Pesquita,
• Abstract要約: 本稿ではリンクグラフに基づく説明を生成するための新しいアプローチRExを提案する。 科学的な説明の望ましい性質を考慮に入れた報酬と政策の仕組みを取り入れている。 3つの一般的な知識グラフを用いて薬物再資源化のアプローチを評価する。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge graphs (KGs) are powerful tools for modelling complex, multi-relational data and supporting hypothesis generation, particularly in applications like drug repurposing. However, for predictive methods to gain acceptance as credible scientific tools, they must ensure not only accuracy but also the capacity to offer meaningful scientific explanations. This paper presents a novel approach REx, for generating scientific explanations based in link prediction in knowledge graphs. It employs reward and policy mechanisms that consider desirable properties of scientific explanation to guide a reinforcement learning agent in the identification of explanatory paths within a KG. The approach further enriches explanatory paths with domain-specific ontologies, ensuring that the explanations are both insightful and grounded in established biomedical knowledge. We evaluate our approach in drug repurposing using three popular knowledge graph benchmarks. The results clearly demonstrate its ability to generate explanations that validate predictive insights against biomedical knowledge and that outperform the state-of-the-art approaches in predictive performance, establishing REx as a relevant contribution to advance AI-driven scientific discovery.
• Abstract（参考訳）: 知識グラフ(KG)は、複雑なマルチリレーショナルデータをモデリングし、仮説生成をサポートする強力なツールである。 しかし、予測的手法が信頼できる科学的ツールとして受け入れられるためには、正確性だけでなく、意味のある科学的説明を提供する能力も確保する必要がある。 本稿では,知識グラフのリンク予測に基づく科学的説明を生成するための新しいアプローチRExを提案する。 科学的説明の望ましい性質を考慮し、KG内の説明経路の識別において強化学習エージェントを誘導する報酬とポリシーのメカニズムを採用している。 このアプローチはさらに、ドメイン固有のオントロジーによる説明パスを強化し、説明が洞察に富み、確立された生物医学的知識に根ざしていることを保証する。 3つの一般的な知識グラフベンチマークを用いて薬物再資源化のアプローチを評価する。 その結果、生物医学的知識に対する予測的洞察を検証し、予測性能における最先端のアプローチよりも優れている説明を生成する能力が明らかに示され、AIによる科学的発見の進展に関係した貢献としてRExが確立された。

関連論文リスト

• KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction [60.23701115249195]
  KEPLAは、遺伝子オントロジーとリガンド特性の事前知識を統合し、予測性能を向上させる新しいディープラーニングフレームワークである。 2つのベンチマークデータセットの実験では、KEPLAは一貫して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） (2025-06-16T08:02:42Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• 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)
• Global Concept Explanations for Graphs by Contrastive Learning [0.6906005491572401]
  本稿では,グラフニューラルネットワークの予測からグローバルな概念記述を抽出する手法を提案する。 合成および実世界のグラフ特性予測タスクに関する計算実験を行う。
  論文  参考訳（メタデータ） (2024-04-25T11:43:46Z)
• Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
  グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。 近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
  論文  参考訳（メタデータ） (2023-02-16T12:38:01Z)
• Explainable Biomedical Recommendations via Reinforcement Learning Reasoning on Knowledge Graphs [2.007262412327553]
  知識グラフに基づくマルチホップ推論のニューロシンボリックアプローチは、透明な説明をもたらすことが示されている。 そこで本研究では,薬品発見のためのアプローチについて検討し,その適用性について確固たる結論を導いた。 このアプローチは、新しい生物学的な説明を生み出しながら、平均して21.7%のベースラインを上回ります。
  論文  参考訳（メタデータ） (2021-11-20T16:41:34Z)
• MEG: Generating Molecular Counterfactual Explanations for Deep Graph Networks [11.291571222801027]
  本稿では, 分子特性予測 t の文脈における深層グラフネットワークの説明可能性に取り組むための新しいアプローチを提案する。 我々は, 構造的類似度が高く, 予測特性の異なる(有意)化合物の形で, 特定の予測に対する情報的反実的説明を生成する。 モデルが非ML専門家に分子の近傍に焦点を絞った学習モデルに関する重要な洞察を伝達する方法を示す結果について議論する。
  論文  参考訳（メタデータ） (2021-04-16T12:17:19Z)

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。