KG2ML: integración de grafos de conocimiento y aprendizaje positivo-no etiquetado para identificar genes asociados a...

Área de la Ciencia:

• Bioinformática
• Biología Computacional
• Aprendizaje Automático

Sus antecedentes:

• Los grafos de conocimiento biomédicos (KGs) como DDKG almacenan relaciones conocidas pero carecen de asociaciones inexploradas.
• La identificación de genes desconocidos asociados a enfermedades es fundamental para avanzar en la investigación biomédica.
• Los métodos existentes consumen mucho tiempo, lo que requiere enfoques computacionales eficientes.

Objetivo del estudio:

• Desarrollar un enfoque computacional eficiente para identificar genes novedosos asociados a enfermedades.
• Superar las limitaciones de los pipelines de aprendizaje automático existentes para el análisis de grafos de conocimiento.
• Inferir relaciones gen-enfermedad previamente desconocidas utilizando aprendizaje automático avanzado.

Principales métodos:

• Desarrollo del pipeline KG2ML (Knowledge Graph to Machine Learning), que utiliza un novedoso algoritmo de aprendizaje Positivo y No Etiquetado (PU), PULSCAR (Positive Unlabeled Learning Selected Completely At Random).
• Incorporación de extracción de características basada en rutas de ProteinGraphML dentro del pipeline KG2ML.
• Aplicación de KG2ML a 12 enfermedades para inferir genes novedosos asociados a enfermedades no presentes en DDKG.

Principales resultados:

• KG2ML identificó genes novedosos asociados a enfermedades de alto rango para 12 enfermedades, de los cuales 14 de 15 carecían de asociaciones explícitas previas en DDKG.
• Los genes identificados mostraron respaldo de la literatura y evidencia de TINX (Target Importance and Novelty Explorer).
• La incorporación de genes imputados por PULSCAR como positivos mejoró el rendimiento de la clasificación de XGBoost.

Conclusiones:

• El aprendizaje Positivo y No Etiquetado (PU) descubre eficazmente asociaciones gen-enfermedad que faltan en los grafos de conocimiento (KGs) existentes.
• El pipeline KG2ML ofrece un marco escalable e interpretable para la investigación biomédica.
• La integración de datos de KG con inferencia basada en ML avanza el descubrimiento biomédico al abordar las limitaciones de KG.