基于图神经网络的少样本链接预测用于Covid-19药物重定位
机器学习
2020-07-21 v1 机器学习
摘要
预测异构图结构数据之间的相互作用具有诸多应用，如知识图谱补全、推荐系统和药物发现。通常，待预测的链接属于稀有类型，例如为新型疾病重定位药物的情形。这催生了少样本链接预测任务。通常，GCN不擅长学习此类稀有链接类型，因为关系嵌入并非以归纳方式学习。本文提出一种归纳式RGCN，即使在少样本学习场景下也能学习到信息丰富的关系嵌入。所提出的归纳模型在少样本学习任务中显著优于RGCN和最先进的KGE模型。此外，我们将该方法应用于药物重定位知识图谱（DRKG）以发现Covid-19药物。我们将药物发现任务视为链接预测，并为参与DRKG的生物实体学习嵌入。我们的初步结果证实，临床试验中使用的若干药物被识别为可能的候选药物。本文方法使用高效深度图学习（DGL）实现。
引用
@article{arxiv.2007.10261,
title = {Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing},
author = {Vassilis N. Ioannidis and Da Zheng and George Karypis},
journal= {arXiv preprint arXiv:2007.10261},
year = {2020}
}