[論文レビュー] Coronavirus Knowledge Graph: A Case Study

Chongyan Chen, Islam Akef Ebeid+2 more|arXiv (Cornell University)|Jul 4, 2020

Advanced Graph Neural Networks参考文献 26被引用数 12

ひとこと要約

本稿では、Coronavirus Knowledge Graph (CKG) を提案する。このCKGは、BioBERT を用いた名前付きエンティティ認識と、PubMed および CORD-19 データセット上で、共起頻度およびコサイン類似度の2つの手法を用いて、薬剤・遺伝子・化学物質関連のエンティティを抽出する。主な貢献は、COVID-19 に関連する有望な薬剤候補および生物学的関係を系統的かつスケーラブルに同定するフレームワークを提供することであり、初期の結果ではファビピラビル、ロピナビール、リバビリンなどの薬剤について生物学的に妥当な関係が示された。

ABSTRACT

The emergence of the novel COVID-19 pandemic has had a significant impact on global healthcare and the economy over the past few months. The virus's rapid widespread has led to a proliferation in biomedical research addressing the pandemic and its related topics. One of the essential Knowledge Discovery tools that could help the biomedical research community understand and eventually find a cure for COVID-19 are Knowledge Graphs. The CORD-19 dataset is a collection of publicly available full-text research articles that have been recently published on COVID-19 and coronavirus topics. Here, we use several Machine Learning, Deep Learning, and Knowledge Graph construction and mining techniques to formalize and extract insights from the PubMed dataset and the CORD-19 dataset to identify COVID-19 related experts and bio-entities. Besides, we suggest possible techniques to predict related diseases, drug candidates, gene, gene mutations, and related compounds as part of a systematic effort to apply Knowledge Discovery methods to help biomedical researchers tackle the pandemic.

研究の動機と目的

• 急速に拡大する COVID-19 に関する生物医学文献における、体系的な知識発見のための緊急なニーズに対処すること。
• 非構造化テキストから医療用エンティティ（薬剤、遺伝子、化学物質）を抽出・整理するためのスケーラブルな手法を開発すること。
• 下流タスク（薬剤再利用や専門家同定など）を支援できる、動的でクエリ対応の知識グラフを構築すること。
• 共起頻度とコサイン類似度の2つの KG 構築手法が、関連する生物学的関係をどれだけ適切に捉えられるかを評価・比較すること。
• SARS-CoV-2 研究の文脈において、薬剤・疾患・専門家を自動的にプロファイルするためのシステムの基盤を築くこと。

提案手法

• BioBERT（生物医学 NLP のための微調整済み BERT モデル）を用いて、PubMed および CORD-19 データセットで名前付きエンティティ認識（NER）を実行する。
• Word2Vec を用いて単語埋め込みを適用し、エンティティの密なベクトル表現を生成し、類似度計算に用いる。
• 2種類の異なる手法を用いて知識グラフを構築する：(1) スライディングウィンドウ内でのエンティティの共起頻度、(2) エンティティ埋め込みベクトル間のコサイン類似度。
• Gephi ソフトウェアを用いて、薬剤中心の知識グラフを可視化し、ノードをエンティティ、エッジを類似度または共起性として表現する。
• コサイン類似度の式を適用：$ \text{cos}(\mathbf{S}, \mathbf{T}) = \frac{\sum_{i=1}^{n}{{\bf S}_{i}{\bf T}_{i}}}{\sqrt{\sum_{i=1}^{n}{({\bf S}_{i})^{2}}}\sqrt{\sum_{i=1}^{n}{({\bf T}_{i})^{2}}}} $ により、エンティティ間の関係を定量的に測定する。
• トップランクのエンティティの定性的な分析を通じて結果を検証し、SARS-CoV-2 に関連する生物学的妥当性と関連性を評価する。

実験結果

リサーチクエスチョン

• RQ1 新興ウイルスパンデミックの文脈において、BioBERT は CORD-19 および PubMed データセットから医療用エンティティをどれほど効果的に抽出できるか？
• RQ2 共起頻度とコサイン類似度のどちらの KG 構築手法が、薬剤・遺伝子・化学物質間の意味のある生物学的関係をより適切に捉えられるか？
• RQ3 得られた知識グラフは、生物学的に妥当で、再利用可能な可能性のある COVID-19 治療薬候補を同定できるか？
• RQ4 薬剤中心のグラフにおけるトップランクの遺伝子および化学物質エンティティは、SARS-CoV-2 の既知の生物学的メカニズムとどの程度一致するか？
• RQ5 パンデミック研究において、知識グラフを用いて、薬剤・疾患・専門家を自動でプロファイルするスケーラブルで自動化されたシステムをどのように設計できるか？

主な発見

• BioBERT は CORD-19 および PubMed データセットから多数の医療用エンティティを効果的に抽出したが、訓練データの多様性に欠けるため、CORD-19 ではエンティティの多様性が制限された。
• コサイン類似度に基づく KG は生物学的に妥当な関係を明らかにした：例えば、ファビピラビルはグアニン、リジン、プロリンと類似度が高く、構造的または生物学的に関連する。
• ロピナビールはニュラミナーゼ、p53、IFITM3 と関連づけられ、ウイルスの増殖および宿主の免疫応答に関与する遺伝子・タンパク質である。
• リバビリンは毒性、p53、炎症と強く関連しており、既知の副作用および抗ウイルス作用と整合的である。
• リトナビールとタミフルは JNK、STAT3、IFN 関連遺伝子と関連づけられ、SARS-CoV-2 に関連する潜在的な免疫調節作用を示唆している。
• 薬剤中心の知識グラフは一貫性があり、解釈可能で生物学的に関連性のあるエンティティのクラスタを生成しており、薬剤再利用やシステム生物学的解析における有用性を裏付けている。