挖掘阿尔茨海默病相关知识图谱以识别潜在 AD 相关语义三元组用于药物重定位
人工智能
2022-11-30 v4 计算与语言
摘要
迄今为止，大多数神经退行性疾病尚无有效疗法。知识图谱能够为异构数据提供全面且语义化的表示，并已成功应用于包括药物重定位在内的许多生物医学场景中。我们的目标是从文献中构建知识图谱，以研究阿尔茨海默病（AD）与化学品、药物和膳食补充剂之间的关系，从而识别预防或延迟神经退行进展的机会。我们收集了生物医学标注，并通过 SemMedDB 使用 SemRep 提取其关系。我们在数据预处理中同时使用基于 BERT 的分类器和基于规则的方法以排除噪声，同时保留大多数 AD 相关语义三元组。过滤后的 1,672,110 条三元组用于训练知识图谱补全算法（即 TransE、DistMult 和 ComplEx），以预测可能有助于 AD 治疗或预防的候选对象。在三个知识图谱补全模型中，TransE 优于另外两个（MR = 13.45，Hits@1 = 0.306）。我们利用时间切片技术进一步评估预测结果。我们为模型预测的大多数高排名候选对象找到了支持证据，这表明我们的方法能够提供可靠的新知识。本文表明，我们的图挖掘模型能够预测 AD 与其他实体（即膳食补充剂、化学品和药物）之间的可靠新关系。所构建的知识图谱可促进数据驱动的知识发现与新假设的产生。
引用
@article{arxiv.2202.08712,
title = {Mining On Alzheimer's Diseases Related Knowledge Graph to Identity Potential AD-related Semantic Triples for Drug Repurposing},
author = {Yi Nian and Xinyue Hu and Rui Zhang and Jingna Feng and Jingcheng Du and Fang Li and Yong Chen and Cui Tao},
journal= {arXiv preprint arXiv:2202.08712},
year = {2022}
}
备注
BMC Bioinformatics