基于图学习与解释的面向生物知识库的靶向路径推断框架 ExPath
机器学习
2026-04-14 v3 人工智能
摘要
检索生物知识库中的特定路径，尤其是在纳入实验数据后，仍是一个具有挑战性的任务，往往需要下游分析和专业知识。本文将这一挑战定义为可解决的图学习与解释任务，提出了一种新的子图推断框架 ExPath，该框架显式集成实验数据以对生物数据库中的各种图（生物网络）进行分类。贡献更大比例对分类有贡献的链接（代表路径）可视为特定路径。我们的框架能够无缝集成生物基础模型，以对实验分子数据进行编码。我们提出了面向机器学习的生物评估方法和新的指标。涉及 301 个生物网络的实验表明，ExPath 推断的路径在生物学上具有意义，Fidelity+（必要性）最高可提高 4.5 倍，Fidelity-（充分性）降低 14 倍，同时保持信号链长度最长可达 4 倍。
引用
@article{arxiv.2502.18026,
title = {ExPath: Targeted Pathway Inference for Biological Knowledge Bases via Graph Learning and Explanation},
author = {Rikuto Kotoge and Ziwei Yang and Zheng Chen and Yushun Dong and Yasuko Matsubara and Jimeng Sun and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2502.18026},
year = {2026}
}
备注
Accepted at AAAI 2026 (Main Technical Track)