基于图神经网络的知识图谱层次感知嵌入：用于酿酒酵母表型预测的应用
机器学习
2026-05-21 v2 人工智能
定量方法
摘要
我们提出了一种利用从底层本体中派生的语义损失丰富化的图神经网络（GNN）方法，用于寻找知识图谱（KG）的层次感知嵌入。该方法生成的嵌入能更好地反映领域知识。为证明其实用性，我们预测酵母 Saccharomyces cerevisiae 中基因删除的效果，并在无预测任务的情况下学习知识图谱的箱状嵌入。我们进一步展示了箱状嵌入如何作为评估知识图谱修订的基准。我们的酵母知识图谱由社区数据库和本体术语构建。采用低维箱状嵌入结合图神经网络，对双基因敲除的细胞生长进行预测。在超过10倍的交叉验证中，这些预测的平均 分数为0.360，显著高于基线比较，表明高层次的定性知识对实验结果具有信息价值。在模型训练中引入语义损失项可提高其预测性能（=0.377），通过与本体结构对齐嵌入来实现。这表明本体中的类层次结构可被用于量化预测。我们还对训练好的模型在三基因敲除上的表现进行了测试，显示其对训练中未见的数据具有良好泛化能力。此外，通过识别酵母知识图谱中对细胞生长预测重要的共现关系，我们构建了关于酵母相互特征的假设。一次生物学实验验证了这一发现，揭示了在肾素酶抵抗力与吸收糖的关联，凸显了该模型在引导生物发现方面的潜力。
引用
@article{arxiv.2605.03690,
title = {Graph Neural Network based Hierarchy-Aware Embeddings of Knowledge Graphs: Applications to Yeast Phenotype Prediction},
author = {Filip Kronström and Alexander H. Gower and Daniel Brunnsåker and Ievgeniia A. Tiukova and Ross D. King},
journal= {arXiv preprint arXiv:2605.03690},
year = {2026}
}