学习去噪生物医学知识图谱以实现鲁棒的分子相互作用预测
人工智能
2024-10-23 v2 机器学习
摘要
分子相互作用预测在预测分子间未知相互作用（如药物-靶标相互作用 (DTI) 和药物-药物相互作用 (DDI)）中起着至关重要的作用，这对药物发现和治疗领域至关重要。尽管先前的预测方法通过利用生物医学知识图谱 (KGs) 的丰富语义和拓扑结构取得了有希望的结果，但它们主要侧重于提高预测性能，而没有解决不可避免的噪声和不一致语义的存在。这一局限性阻碍了基于 KG 的预测方法的发展。为了解决这一局限性，我们提出了 BioKDN（生物医学知识图谱去噪网络），用于鲁棒的分子相互作用预测。BioKDN 通过以可学习的方式去噪噪声链接来精炼局部子图的可靠结构，为提取任务相关的相互作用提供了一个通用模块。为了增强精炼结构的可靠性，BioKDN 通过平滑目标相互作用周围的关系来保持一致且鲁棒的语义。通过最大化可靠结构与平滑关系之间的互信息，BioKDN 强调信息性语义以实现精确预测。在真实世界数据集上的实验结果表明，BioKDN 在 DTI 和 DDI 预测任务中超越了最先进的模型，证实了 BioKDN 在受污染 KG 中去噪不可靠相互作用方面的有效性和鲁棒性。
引用
@article{arxiv.2312.06682,
title = {Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction},
author = {Tengfei Ma and Yujie Chen and Wen Tao and Dashun Zheng and Xuan Lin and Patrick Cheong-lao Pang and Yiping Liu and Yijun Wang and Longyue Wang and Bosheng Song and Xiangxiang Zeng and Philip S. Yu},
journal= {arXiv preprint arXiv:2312.06682},
year = {2024}
}
备注
13 pages, Accepted at TKDE