AGATHA：基于自动图挖掘与 Transformer 的假设生成方法
机器学习
2020-02-14 v1 机器学习
摘要
医学研究风险高且成本高昂。以药物发现为例，研究人员需要高效地从数千个潜在靶点中筛选出少量候选集以进行更彻底的评估。然而，研究小组在看到中间结果之前，往往花费大量时间和资金来进行确定该候选集所需的实验。假设生成系统通过挖掘丰富的公开科学信息来预测合理的研究方向，从而应对这一挑战。我们提出 AGATHA，一种深度学习假设生成系统，可在发现过程中更早引入数据驱动的洞察。通过学习得到的排序准则，该系统在实体集中快速优先排序合理的术语对，使我们能够推荐新的研究方向。我们使用时间留出法大规模验证系统：利用 2015 年前发布的数据预测 2015 年后首次出现的关联。我们还探索了生物医学子领域，并展示了 AGATHA 在二十种最流行关系类型上的预测能力。该系统在既定基准上取得同类最佳性能，并在各子域展现出高推荐分数。可复现性：所有代码、实验数据与预训练模型均在线可用：sybrandt.com/2020/agatha
引用
@article{arxiv.2002.05635,
title = {AGATHA: Automatic Graph-mining And Transformer based Hypothesis generation Approach},
author = {Justin Sybrandt and Ilya Tyagin and Michael Shtutman and Ilya Safro},
journal= {arXiv preprint arXiv:2002.05635},
year = {2020}
}