理解知识图谱嵌入在药物发现中的性能表现
生物大分子
2022-06-01 v4 人工智能
机器学习
摘要
知识图谱（KG）及相关的知识图谱嵌入（KGE）模型近来开始在药物发现背景下被探索，并有望辅助靶点识别等关键挑战。在药物发现领域，KG可作为流程的一部分，导致基于实验室的实验被执行，或影响其他决策，从而产生显著的时间与财务成本，最重要的是最终影响患者医疗。要使KGE模型在该领域产生影响，不仅需要更好地理解其性能，还需理解决定性能的各种因素。在本研究中，我们通过数千次实验，考察了五种KGE模型在两个面向药物发现的公开KG上的预测性能。我们的目标并非聚焦于最佳整体模型或配置，而是深入探究训练设置的变化、超参数的选择、模型参数初始化种子以及数据集的不同划分如何影响其性能。我们的结果强调，这些因素对性能有显著影响，甚至可能影响模型的排名。事实上，这些因素应与模型架构一并报告，以确保未来工作的完全可复现性与公平比较，我们认为这对于生物医学环境中KGE的接受与使用及其影响至关重要。
引用
@article{arxiv.2105.10488,
title = {Understanding the Performance of Knowledge Graph Embeddings in Drug Discovery},
author = {Stephen Bonner and Ian P Barrett and Cheng Ye and Rowan Swiers and Ola Engkvist and Charles Tapley Hoyt and William L Hamilton},
journal= {arXiv preprint arXiv:2105.10488},
year = {2022}
}