Modelado de la evolución temporal propia e interactiva para la generación de hipótesis biomédicas

Sus antecedentes:

• La generación de hipótesis (HG) acelera la innovación en el descubrimiento de fármacos y el tratamiento de enfermedades al descubrir relaciones ocultas en la literatura científica.
• Los métodos de HG existentes capturan la evolución de pares de términos, pero luchan con dinámicas espacio-temporales intrincadas.
• El modelado preciso de las relaciones dinámicas de pares de términos es crucial para avanzar en la investigación biomédica.

Objetivo del estudio:

• Proponer un novedoso método de Evolución Temporal Propia e Interactiva (TSIE) para caracterizar con precisión la dinámica compleja de las relaciones par-término en HG.
• Mejorar la comprensión de la inferencia de relaciones temporales aprendiendo características de diferencia interactiva temporal.
• Mejorar la predicción de la conectividad futura par-término en la literatura biomédica.

Principales métodos:

• El método TSIE emplea la Unidad Recurrente con Compuerta (GRU) para modelar la Autoevolución Temporal (TSE) y la Evolución Interactiva Temporal (TIE) para cada par de términos.
• Se generan Incrustaciones TSE (TSE_emb) y Incrustaciones TIE (TIE_emb) para capturar distintos aspectos evolutivos.
• Una arquitectura Transformer de doble torre modela las dependencias temporales de las incrustaciones, integradas a través de una capa de fusión con compuerta para la predicción final.

Principales resultados:

• Los experimentos en conjuntos de datos de Inmunoterapia, Virología y Neurología demuestran la eficacia de TSIE.
• TSIE captura con éxito patrones evolutivos complejos en la generación de hipótesis biomédicas.
• El método propuesto logra un rendimiento de vanguardia en tareas de HG.

Conclusiones:

• El método TSIE ofrece un enfoque novedoso para aprender características interactivas temporales para HG mejorado.
• Al modelar tanto TSE como TIE, TSIE captura eficazmente las relaciones dinámicas entre términos científicos.
• La arquitectura Transformer de doble torre refina aún más el modelado de dependencias temporales, mejorando la inferencia de relaciones.