MuCoS：基于知识图谱中多上下文感知采样的高效药物靶点发现
计算与语言
2025-03-12 v1
摘要
准确预测药物靶点相互作用对于加速药物发现和阐明复杂生物机制至关重要。在这项工作中，我们将药物靶点预测构建为异构生物医学知识图谱（KG）上的链路预测任务，该图谱整合了药物、蛋白质、疾病、通路及其他相关实体。传统的 KG 嵌入方法（如 TransE 和 ComplEx SE）受制于对计算密集型负采样的依赖，且对未见药物靶点对的泛化能力有限。为了应对这些挑战，我们提出了多上下文感知采样，这是一种新颖的框架，它优先考虑高密度邻居以捕获显著的结构模式，并将这些与从 BERT 导出的上下文嵌入相集成。通过统一结构和文本模态并选择性采样高信息量模式，MuCoS 规避了对负采样的需求，显著降低了计算开销，同时增强了对新药物靶点关联和药物靶点的预测准确性。在 KEGG50k 数据集上的大量实验表明，MuCoS 优于最先进的基线方法，在预测数据集中的任意关系时，平均倒数排名（MRR）实现了高达 13% 的提升，在专门的药物靶点关系预测中实现了 6% 的提升。
引用
@article{arxiv.2503.08075,
title = {MuCoS: Efficient Drug Target Discovery via Multi Context Aware Sampling in Knowledge Graphs},
author = {Haji Gul and Abdul Ghani Naim and Ajaz Ahmad Bhat},
journal= {arXiv preprint arXiv:2503.08075},
year = {2025}
}