基于图形嵌入的链接预测用于阿尔茨海默氏病的基于文献的发现

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 医学中的人工智能

背景情况:

• 基于文献的发现 (LBD) 旨在从现有的科学文献中提取新的见解.
• 阿尔茨海默病 (AD) 研究产生了庞大而复杂的文献,使手工知识提取具有挑战性.
• 将LBD作为知识图上的链接预测框架提供了一种计算方法来揭示隐藏的关系.

研究的目的:

• 通过使用链接预测和图形嵌入技术,探索阿尔茨海默病 (AD) 的基于文献的发现 (LBD).
• 评估预测窗口长度对LBD的时间切片评估方法的影响.
• 评估拟议方法对其他疾病环境的通用性.

主要方法:

• 从超过16000篇论文 (1977-2021) 中构建了一个AD特定的语料库和知识图 (∼11k节点,∼394k边缘).
• 采用了四个阶段的方法,包括集体收集,知识图表构建,时间切片数据集创建 (20对) 和链接预测.
• 利用基于图形嵌入的链接预测方法,在不同的时间评估设置中比较性能.

主要成果:

• 结构深度网络嵌入 (SDNE) 模型在20年的进展中在链接预测准确度方面表现出卓越的表现.
• 在评估未来较长时间窗口的预测时,模型性能显著提高,反映了知识积累.
• 该研究的图形密度低于1%,这表明链接预测任务的挑战性.

结论:

• 神经网络图形嵌入链接预测方法显示,尽管存在固有的挑战,但对LBD有希望.
• 在时间切片评估中,预测窗口长度的选择对LBD模型的解释产生了重大影响.
• 开发的方法适用于其他疾病领域的知识发现.