SumGNN：基于高效知识图谱摘要的多类型药物相互作用预测
机器学习
2021-05-10 v2 计算与语言
信息检索
定量方法
摘要
得益于药物相互作用（DDI）数据集和大型生物医学知识图谱（KG）的日益可用，利用机器学习模型准确检测不良 DDI 成为可能。然而，如何有效利用庞大且含噪的生物医学 KG 进行 DDI 检测在很大程度上仍是一个开放问题。由于 KG 的庞大规模与噪声，将其直接与其它更小但质量更高的数据（如实验数据）集成往往收益甚微。现有方法大多完全忽略 KG。部分方法尝试通过图神经网络直接将 KG 与其它数据集成，但成效有限。此外，以往工作多聚焦于二元 DDI 预测，而多类型 DDI 药理效应预测是更有意义却更困难的任务。为弥补这些不足，我们提出新方法 SumGNN：知识摘要图神经网络，其由一个可从 KG 中高效定位相关子图的子图提取模块、一个基于自注意力的子图摘要方案（用于在子图内生成推理路径），以及一个利用海量外部生物医学知识以显著改进多类型 DDI 预测的多通道知识与数据集成模块所赋能。SumGNN 相较最佳基线提升高达 5.54%，且在低数据关系类型上性能增益尤为显著。此外，SumGNN 通过为每个预测生成的推理路径提供可解释的预测。
引用
@article{arxiv.2010.01450,
title = {SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization},
author = {Yue Yu and Kexin Huang and Chao Zhang and Lucas M. Glass and Jimeng Sun and Cao Xiao},
journal= {arXiv preprint arXiv:2010.01450},
year = {2021}
}
备注
Published in Bioinformatics 2021