通过知识图谱补全为 COVID-19 进行药物重定位
计算与语言
2021-02-10 v2 信息检索
摘要
目的：利用文献衍生知识与知识图谱补全方法，发现可重定位用于 COVID-19 的候选药物。方法：我们提出一种新颖的、集成式的、基于神经网络的文献发现（LBD）方法，从 PubMed 和聚焦 COVID-19 的研究文献中识别候选药物。我们的方法依赖于使用 SemRep（经由 SemMedDB）提取的语义三元组。我们使用过滤规则及在 BERT 变体上开发的准确性分类器识别出信息丰富的语义三元组子集，并用该子集构建知识图谱。使用了五种 SOTA 的神经网络知识图谱补全算法来预测药物重定位候选。这些模型使用时间切片方法训练和评估，预测的药物与文献中报道并在临床试验中评估的药物列表进行比较。这些模型由一个基于发现模式的方法作为补充。结果：基于 PubMedBERT 的准确性分类器在分类语义预测上取得最佳性能（F1 = 0.854）。在五个知识图谱补全模型中，TransE 优于其他模型（MR = 0.923，Hits@1 = 0.417）。识别出了一些文献中与 COVID-19 关联的已知药物，以及一些尚未被研究的候选药物。发现模式得以生成关于候选药物与 COVID-19 之间关系的合理假设。其中，五种高排名且新颖的药物（紫杉醇、SB 203580、α2-抗纤溶酶、吡咯烷二硫代氨基甲酸酯和丁基化羟基甲苯）及其机制解释被进一步讨论。结论：我们表明 LBD 方法可用于发现 COVID-19 候选药物并生成机制解释。我们的方法可推广至其他疾病及其他临床问题。
引用
@article{arxiv.2010.09600,
title = {Drug Repurposing for COVID-19 via Knowledge Graph Completion},
author = {Rui Zhang and Dimitar Hristovski and Dalton Schutte and Andrej Kastrin and Marcelo Fiszman and Halil Kilicoglu},
journal= {arXiv preprint arXiv:2010.09600},
year = {2021}
}
备注
47 pages, 3 figures, Accepted to Journal of Biomedical Informatics