基于张量分解的知识图谱补全用于疾病基因预测
人工智能
2023-03-17 v2
摘要
准确识别疾病基因一直是解码疾病分子机制的关键之一。当前大多数方法侧重于构建生物网络并利用机器学习，特别是深度学习来识别疾病基因，但忽略了生物知识图谱中实体之间的复杂关系。本文构建了一个以疾病和基因为中心的生物知识图谱，并开发了一个端到端的知识图谱补全模型，通过交互式张量分解进行疾病基因预测（称为 KDGene）。KDGene 在张量分解中引入了实体嵌入与关系嵌入之间的交互模块，可以有效增强生物知识中的信息交互。实验结果表明，KDGene 显著优于最先进的算法。此外，对糖尿病病例的综合生物学分析证实了 KDGene 识别新的准确候选基因的能力。这项工作提出了一个可扩展的知识图谱补全框架来识别疾病候选基因，其结果有望为后续湿实验提供有价值的参考。
引用
@article{arxiv.2302.09335,
title = {Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction},
author = {Xinyan Wang and Ting Jia and Chongyu Wang and Kuan Xu and Zixin Shu and Jian Yu and Kuo Yang and Xuezhong Zhou},
journal= {arXiv preprint arXiv:2302.09335},
year = {2023}
}