MKG-GC:一个基于多任务学习的知识图构建框架,可针对胃癌进行个性化应用
Yang Yang1,2, Yuwei Lu2, Zixuan Zheng2
1Computing Science and Artificial Intelligence College, Suzhou City University, Suzhou 215004, China.
Computational and structural biotechnology journal
|April 8, 2024
概括
一个新的多任务学习框架 (MKG) 从文本中提取胃癌知识,识别潜在的候选药物. 预测的前十种药物中有九种已知可以治疗胃癌.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 精准医学是一门精准的医学.
背景情况:
- 有大量的生物医学文本数据可用于精准疾病医学.
- 提取和利用这些信息来发现知识,特别是对于胃癌等复杂疾病,仍然是一个挑战.
研究的目的:
- 开发和验证一个多任务学习框架 (MKG),用于自动化生物医学知识图的构建.
- 应用MKG来提取与胃癌 (GC) 相关的知识,并从文献中识别潜在的GC药物候选者.
主要方法:
- 提出了一个硬参数共享多任务学习框架 (MKG) 的三个模块:MT-BGIPN (实体识别),MT-SGTF (实体规范化) 和MT-ScBERT (关系分类).
- 利用双向封闭的循环单元和交互指针网络用于实体识别,TF-IDF和封闭的注意力用于实体规范化,并集成交叉文本,实体和上下文特征用于关系分类.
- 开发了一种特定的胃癌知识图 (MKG-GC),并使用BioKGE-BERT和CNN-BiLSTM模型进行药物疾病预测.
主要成果:
- 在单个任务中取得了高绩效:84.5%的F1用于实体识别,94.5%的Hits@1用于实体规范化,86.9%的F1用于关系分类.
- 建造了MKG-GC,拥有9129个实体和88482个三胞胎.
- 确定了潜在的GC药物,在现有文献中验证了前十个预测中的九个.
结论:
- 该MKG框架有效地自动化了生物医学知识提取,并促进了对胃癌的新型治疗策略的识别.
- 构建的MKG-GC为探索GC相关知识和加速药物发现提供了宝贵的资源.
- 有一个在线平台可用于交互式探索MKG-GC知识图.
