論文の概要: MolBioKG: Grounding Out-of-Graph Molecules in Biomedical Knowledge Graphs via Multi-Resolution Structural Anchoring
- arxiv url: http://arxiv.org/abs/2608.06713v1
- Date: Fri, 07 Aug 2026 02:12:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.329579
- Title: MolBioKG: Grounding Out-of-Graph Molecules in Biomedical Knowledge Graphs via Multi-Resolution Structural Anchoring
- Title（参考訳）: MolBioKG:マルチリゾリューション構造アンカリングによるバイオメディカル知識グラフのアウト・オブ・グラウンディング
- Abstract要約: モルビオKGは、構造的アンカーを通して、生医学的な証拠に見えない分子を接地する。
構造的に関連するグラフエンティティを検索し、タスク固有のトレーニングなしでそのバイオメディカル地区を横断する。
- 参考スコア（独自算出の注目度）: 6.452229772419756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Biomedical knowledge graphs (KGs) accelerate drug discovery, but standard pipelines assume query molecules already exist as graph entities, leaving unregistered molecules disconnected. We address this cold-start challenge, termed the out-of-graph molecule problem, by introducing MolBioKG. This two-layer system grounds unseen molecules in biomedical evidence via multi-resolution structural anchoring. It connects an index of 2.74 million molecules (represented by scaffolds, fragments, functional groups, and fingerprints) to a 9.6-million-edge KG. Given only a SMILES string, MolBioKG retrieves structurally related graph entities and traverses their biomedical neighborhoods without task-specific training. It features two inference mechanisms: static multi-anchor retrieval using Reciprocal Rank Fusion, and Adapt-KG, a tool-using LLM policy for adaptive traversal. Evaluated across in-graph link recovery, complex multi-hop reasoning, and out-of-graph generalization, MolBioKG outperforms strong baselines. Notably, it raises Hits@10 from 0.585 to 0.876 in multi-hop reasoning and out-of-graph target recall from 0.145 to 0.269, all while ensuring predictions retain traceable structural anchors and source-attributed KG evidence.
- Abstract（参考訳）: 生物医学知識グラフ(KG)は薬物発見を加速するが、標準的なパイプラインは、クエリ分子が既にグラフ実体として存在しており、登録されていない分子は切断されていると仮定する。
我々は、MollBioKGを導入することで、グラフ外分子問題と呼ばれるこのコールドスタート課題に対処する。
この2層構造系は、多分解能構造アンカーを用いて、生医学的な証拠に見えない分子を接地する。
274万の分子(足場、断片、官能基、指紋で表される)を9.6億のKGに結合する。
SMILES文字列のみを与えられたMolBioKGは、構造的に関連するグラフエンティティを検索し、タスク固有のトレーニングなしでそのバイオメディカルエリアを横断する。
Reciprocal Rank Fusion を用いた静的マルチアンカー検索と、適応的トラバーサルのためのツール利用 LLM ポリシーである Adapt-KG の2つの推論機構を備えている。
グラフ内リンクリカバリ、複雑なマルチホップ推論、およびグラフ外一般化で評価され、MolBioKGは強いベースラインを上回っている。
とくに、Hits@10を0.585から0.876に引き上げ、マルチホップ推論とアウト・オブ・グラフのターゲットリコールを0.145から0.269に引き上げている。
関連論文リスト
- CMKL: Modality-Aware Continual Learning for Evolving Biomedical Knowledge Graphs [11.909154331954456]
本稿では, 構造, テキスト, 分子を符号化し, それまでの知識を保護した生物医学的KGのためのCLフレームワークを提案する。
CMKLを129K-entity Biomedical continual benchmarkで10タスクで評価した。
論文 参考訳（メタデータ） (2026-05-11T13:03:37Z) - OptimusKG: Unifying biomedical knowledge in a modern multimodal graph [24.395547772712373]
バイオメディカルラベル付きプロパティグラフ(LPG)であるOptimusKGについて述べる。
OptimusKGには、10のエンティティタイプに190,531ノード、26のリレーションタイプに21,813,863エッジ、150の異なるプロパティキーに110,276,843値が含まれている。
グラフはノードとエッジの上位レベルスキーマを強制し、粒度、型固有のプロパティ、相互参照、前例を保持する。
論文 参考訳（メタデータ） (2026-04-29T23:49:34Z) - BioMiner: A Multi-modal System for Automated Mining of Protein-Ligand Bioactivity Data from Literature [53.894504720119805]
生物活性データ抽出のためのマルチモーダル抽出フレームワークであるBioMinerを紹介する。
BioMinerでは、生物活性セマンティクスは直接推論によって推測され、化学構造は化学構造に基づく視覚的セマンティクス推論パラダイムによって解決される。
厳密な評価と方法開発のために,500の出版物から得られた16,457の生物活性成分からなるベンチマークを構築した。
論文 参考訳（メタデータ） (2026-04-23T10:11:56Z) - Rhizome OS-1: Rhizome's Semi-Autonomous Operating System for Small Molecule Drug Discovery [5.067971847473898]
Rhizome OS-1は、小さな分子の薬物発見のための半自動オペレーティングシステムである。
エージェントは、計算化学者、医薬化学者、特許エージェントとして機能する。
システムは分子グラフに直接新しい化学物質を生成する。
論文 参考訳（メタデータ） (2026-04-08T18:49:08Z) - Graph-Aware Late Chunking for Retrieval-Augmented Generation in Biomedical Literature [0.0]
GraLC-RAGは、グラフ認識構造インテリジェンスと遅延チャンキングを統合するフレームワークである。
2,359 IMRaD-filtered Centralの項目に対して,2,033の横断質問を用いた6つの戦略を評価する。
論文 参考訳（メタデータ） (2026-03-23T23:22:58Z) - Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。
728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。
その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
論文 参考訳（メタデータ） (2025-11-26T07:15:00Z) - Knowledge-Augmented Long-CoT Generation for Complex Biomolecular Reasoning [51.673503054645415]
生体分子機構は、分子間相互作用、シグナルカスケード、代謝経路の多段階的推論を必要とする。
既存のアプローチはしばしばこれらの問題を悪化させる: 推論ステップは生物学的事実から逸脱したり、長い機械的依存関係を捉えるのに失敗する。
本稿では,LLMと知識グラフに基づくマルチホップ推論チェーンを統合したLong-CoT推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T09:26:32Z) - MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Knowledge Graph [57.54231831309079]
我々は、時間的に進化する医療知識グラフを構築するためのフレームワークであるMedKGentを紹介する。
生医学的知識の出現を, 微粒な日々の時系列でシミュレートする。
結果として得られるKGは156,275個のエンティティと2,971,384個のリレーショナルトリプルを含む。
論文 参考訳（メタデータ） (2025-08-17T15:14:03Z) - Unveiling Molecular Moieties through Hierarchical Grad-CAM Graph Explainability [0.0]
生物学的活性に対する分子サブストラクチャーの特定の寄与を解明するための説明可能な方法の統合は重要な課題である。
我々は,小分子のデータセットを用いて20個のGNNモデルを訓練し,キナーゼファミリーから20個のタンパク質標的上での活性を予測することを目標とした。
我々は階層型Grad-CAMグラフExplainerフレームワークを実装し,タンパク質-リガンド結合安定化を駆動する分子構造を詳細に解析する。
論文 参考訳（メタデータ） (2024-01-29T17:23:25Z) - 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) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z)
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。