PT-KGNN: 一个用于预培训生物医学知识图形与图形神经网络的框架

科学领域:

• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学
• 人工智能在医学中的应用

背景情况:

• 生物医学知识图 (KG) 对于建模复杂的生物关系至关重要.
• 在KG中现有的特征学习方法通常使用传统的机器学习或图形神经网络 (GNN).
• 来自自然语言处理 (NLP) 的预训练技术为增强KG表示提供了一个有希望的途径.

研究的目的:

• 提出和评估一个新的框架,PT-KGNN,用于使用GNN进行生物医学KG的预培训.
• 调查KG尺度对预培训方法有效性的影响.
• 提高下游任务的性能,例如药物相互作用 (DDI) 和药物疾病关联 (DDA) 预测.

主要方法:

• 开发了PT-KGNN框架,该框架将GNN应用于生物医学KG,用于节点嵌入学习.
• 进行了实验,以评估框架的有效性和KG尺度的影响.
• 对DDI和DDA预测任务的独立数据集的评估性能.

主要成果:

• 通过预训练,PT-KGNN框架展示了通过预训练改进的节点嵌入.
• 随着用于预训练的生物医学KG规模的增加,性能一直在不断提高.
• 在大规模的KG上进行预训练显著提高了DDI和DDA预测的准确性.

结论:

• 使用GNN进行预培训的生物医学KG有效地捕获了丰富的语义和结构信息.
• 基因基因的规模是一个关键因素,更大的基因基因可以产生更好的结果.
• 这种方法在推进各种生物信息学应用方面具有重大潜力.