学习对复杂的生物医学假设进行排名,以加速科学发现
Juncheng Ding1, Shailesh Dahal2, Bijaya Adhikari2
1University of North Texas, Denton, TX, USA.
Proceedings. IEEE International Conference on Healthcare Informatics
|March 20, 2025
概括
这项研究引入了生物医学研究中假设生成 (HG) 的新方法. 它有效地使用图形神经网络 (GNN) 和域名知识对简单和复杂的假设进行排名,改善科学发现.
科学领域:
- 生物医学文本挖掘 生物医学文本挖掘
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 假设生成 (HG) 对于发现生物医学概念之间的隐性联系至关重要.
- 现有的HG方法难以有意义地对假设进行排名,难以处理具有多个中间项的复杂假设.
研究的目的:
- 开发一种新的HG排名方法,解决当前方法的局限性.
- 有效地对简单和复杂的生物医学假设进行排名.
主要方法:
- 利用图形神经网络 (GNN) 的信息传递能力来捕获实体交互.
- 整合一个以领域知识为指导的噪音对比估计 (NCE) 策略来对复杂假设进行排名.
- 处理具有可变中间项的复杂假设.
主要成果:
- 提出的基于GNN的方法在假设排名中显著优于现有的基线.
- 该方法有效地根据生物医学知识的一致性对复杂假设进行排名.
- 实验结果表明,对于潜在的临床试验,假设的优先级有所改善.
结论:
- 新的GNN和NCE方法提供了一种更有效的方式来对生物医学假设进行排名.
- 这种方法通过处理复杂的关系来增强发现有价值的科学见解.
- 这种方法有望加速科学发现和临床试验优先级.
