論文の概要: MultiCNKG: Integrating Cognitive Neuroscience, Gene, and Disease Knowledge Graphs Using Large Language Models

• arxiv url: http://arxiv.org/abs/2510.06742v1
• Date: Wed, 08 Oct 2025 07:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.356446
• Title: MultiCNKG: Integrating Cognitive Neuroscience, Gene, and Disease Knowledge Graphs Using Large Language Models
• Title（参考訳）: MultiCNKG:大規模言語モデルを用いた認知神経科学・遺伝子・疾患知識グラフの統合
• Authors: Ali Sarabadani, Kheirolah Rahsepar Fard,
• Abstract要約: MultiCNKGは、認知神経科学知識グラフ(CNKG)、遺伝子オントロジー(GO)、疾患オントロジー(DO)の3つの重要な知識ソースを統合する革新的なフレームワークである。 我々は、遺伝子機構、神経学的障害、認知機能を相互に結合する結合型KGを作成するために、エンティティアライメント、セマンティック類似性、グラフ拡張を行います。 このKGは、パーソナライズド医療、認知障害診断、および認知神経科学における仮説定式化の応用を推進している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advent of large language models (LLMs) has revolutionized the integration of knowledge graphs (KGs) in biomedical and cognitive sciences, overcoming limitations in traditional machine learning methods for capturing intricate semantic links among genes, diseases, and cognitive processes. We introduce MultiCNKG, an innovative framework that merges three key knowledge sources: the Cognitive Neuroscience Knowledge Graph (CNKG) with 2.9K nodes and 4.3K edges across 9 node types and 20 edge types; Gene Ontology (GO) featuring 43K nodes and 75K edges in 3 node types and 4 edge types; and Disease Ontology (DO) comprising 11.2K nodes and 8.8K edges with 1 node type and 2 edge types. Leveraging LLMs like GPT-4, we conduct entity alignment, semantic similarity computation, and graph augmentation to create a cohesive KG that interconnects genetic mechanisms, neurological disorders, and cognitive functions. The resulting MultiCNKG encompasses 6.9K nodes across 5 types (e.g., Genes, Diseases, Cognitive Processes) and 11.3K edges spanning 7 types (e.g., Causes, Associated with, Regulates), facilitating a multi-layered view from molecular to behavioral domains. Assessments using metrics such as precision (85.20%), recall (87.30%), coverage (92.18%), graph consistency (82.50%), novelty detection (40.28%), and expert validation (89.50%) affirm its robustness and coherence. Link prediction evaluations with models like TransE (MR: 391, MRR: 0.411) and RotatE (MR: 263, MRR: 0.395) show competitive performance against benchmarks like FB15k-237 and WN18RR. This KG advances applications in personalized medicine, cognitive disorder diagnostics, and hypothesis formulation in cognitive neuroscience.
• Abstract（参考訳）: 大規模言語モデル(LLM)の出現は、生物医学および認知科学における知識グラフ(KG)の統合に革命をもたらし、遺伝子、疾患、認知プロセス間の複雑なセマンティックリンクをキャプチャする伝統的な機械学習手法の限界を克服した。 認知神経科学知識グラフ(CNKG)と9つのノードタイプと20のエッジタイプにまたがる2.9Kノードと4.3Kエッジ、43Kノードと75Kエッジを3つのノードタイプと4つのエッジタイプに含む遺伝子オントロジー(GO)、11.2Kノードと8.8Kエッジを1つのノードタイプと2つのエッジタイプにまとめた疾病オントロジー(DO)という3つの重要な知識ソースを統合する革新的なフレームワークであるMultiCNKGを紹介した。 GPT-4のようなLCMを活用して、遺伝子機構、神経学的障害、認知機能と結合する結合KGを作成するために、エンティティアライメント、意味的類似性計算、グラフ拡張を行います。 得られたMultiCNKGは、5つのタイプ(遺伝子、疾患、認知過程など)にまたがる6.9Kノードと7つのタイプ(例えば、原因、関連、規制)にまたがる11.3Kエッジを含み、分子から行動ドメインへの多層的なビューを容易にしている。 精度(85.20%)、リコール(87.30%)、カバレッジ(92.18%)、グラフ一貫性(82.50%)、ノベルティ検出(40.28%)、専門家による検証(89.50%)などの指標を用いた評価は、その堅牢性と一貫性を裏付けるものである。 TransE (MR: 391, MRR: 0.411) や RotatE (MR: 263, MRR: 0.395) のようなモデルによるリンク予測評価は、FB15k-237 や WN18RR といったベンチマークと競合する性能を示している。 このKGは、パーソナライズド医療、認知障害診断、および認知神経科学における仮説定式化の応用を推進している。

関連論文リスト

• Peptidomic-Based Prediction Model for Coronary Heart Disease Using a Multilayer Perceptron Neural Network [0.0]
  冠動脈心疾患(CHD)は、世界中で死因の主要な疾患であり、毎年の医療費に大きく貢献する。 非侵襲的な診断手法を開発するために,マルチ層パーセプトロン(MLP)ニューラルネットワークに基づくモデルを構築した。 このモデルは95.67パーセントの精度、感度、特異性を達成し、F1スコアは0.9565である。
  論文  参考訳（メタデータ） (2025-09-04T04:54:02Z)
• Enabling Down Syndrome Research through a Knowledge Graph-Driven Analytical Framework [0.4376081656448856]
  ダウンシンドローム(Down syndrome)は、様々な臨床症状を有する多面性遺伝疾患である。 異質性や断片化されたデータは、包括的な研究と翻訳の発見に挑戦する。 7,148人の参加者,456の条件,501の表現型,および37,000以上の生物種を統合されたインフラストラクチャに変換する知識グラフ駆動型プラットフォームを開発した。
  論文  参考訳（メタデータ） (2025-09-01T15:50:38Z)
• A Knowledge-enhanced Pathology Vision-language Foundation Model for Cancer Diagnosis [58.85247337449624]
  本稿では,疾患知識を階層型セマンティックグループ内のアライメントに組み込む知識強化型視覚言語事前学習手法を提案する。 KEEPはゼロショット癌診断タスクにおいて最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-17T17:45:21Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [56.99710477905796]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Geometry-Complete Perceptron Networks for 3D Molecular Graphs [0.0]
  我々は3次元分子グラフ表現学習用に設計された新しい幾何完全SE(3)不変グラフニューラルネットワークであるGCPNetを紹介する。 GCPNetのタンパク質-リガンド結合親和性予測は,現在の最先端手法よりも5%以上,統計的に有意な相関性が得られることを示す。 また、GCPNetの予測精度98.7%は、これまでのどの機械学習手法よりも優れていることも示している。
  論文  参考訳（メタデータ） (2022-11-04T15:05:40Z)
• Graph Based Link Prediction between Human Phenotypes and Genes [5.1398743023989555]
  機械学習の分野での最近の進歩は、異常なヒトの表現型と遺伝子間の相互作用を予測するのに効果的である。 本研究では,ヒトの表現型オントロジー(HPO)と遺伝子との関係を予測する枠組みを開発した。 他の4つの方法と比較して、LightGBMはヒトの表現型と遺伝子ペア間のより正確な相互作用やリンクを見つけることができる。
  論文  参考訳（メタデータ） (2021-05-25T14:47:07Z)
• Efficient and Visualizable Convolutional Neural Networks for COVID-19 Classification Using Chest CT [0.0]
  新型コロナウイルスは2020年12月4日現在、世界中で6500万人以上が感染している。 ディープラーニングは有望な診断技術として登場した。 本稿では,40種類の畳み込みニューラルネットワークアーキテクチャを新型コロナウイルスの診断のために評価・比較する。
  論文  参考訳（メタデータ） (2020-12-22T07:09:48Z)

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。