[論文レビュー] Enhancing Drug-Drug Interaction Extraction from Texts by Molecular Structure Information

Masaki Asada, Makoto Miwa+1 more|arXiv (Cornell University)|May 15, 2018

Biomedical Text Mining and Ontologies参考文献 15被引用数 10

ひとこと要約

本論文は、グラフ畳み込みネットワーク（GCNs）を介して薬物分子構造情報を統合することで、テキストからの薬物-薬物相互作用（DDI）抽出を向上させるハイブリッドディープラーニングモデルを提案する。CNNからのテキスト表現と、NFPおよびGGNNからの分子表現を連結することで、DDIExtraction 2013データセット上でFスコアが2.39パーセンテージポイント向上し、分子データがテキストベースのDDI認識に顕著に寄与することが示された。

ABSTRACT

We propose a novel neural method to extract drug-drug interactions (DDIs) from texts using external drug molecular structure information. We encode textual drug pairs with convolutional neural networks and their molecular pairs with graph convolutional networks (GCNs), and then we concatenate the outputs of these two networks. In the experiments, we show that GCNs can predict DDIs from the molecular structures of drugs in high accuracy and the molecular information can enhance text-based DDI extraction by 2.39 percent points in the F-score on the DDIExtraction 2013 shared task data set.

研究の動機と目的

• 薬物相互作用データベースにおける低カバレッジと遅延した更新頻度の課題に対処し、生体医薬品テキストからの自動的で高精度なDDI抽出を可能にすること。
• テキストのみのディープラーニングモデルの限界を克服し、外部の分子構造情報を取り入れることでDDI抽出を改善すること。
• 分子レベルの表現が、臨床的・科学的テキストからの薬物-薬物相互作用の識別におけるニューラルモデルの性能を向上させることを調査すること。
• テキスト的文脈とは独立して、分子構造から直接DDIを予測するためのグラフニューラルネットワークの実用可能性を示すこと。

提案手法

• テキスト的薬物ペアを符号化するために畳み込みニューラルネットワーク（CNN）を用い、語の埋め込みと相対的位置埋め込みを組み合わせて文法的および文脈的特徴を捉える。
• 2種類のグラフ畳み込みネットワーク（NFPとGated Graph Neural Network（GGNN））を用いて、薬物ペアの分子構造を固定長のベクトルに符号化する。
• CNN（テキスト）とGCN（分子）の両ブランチの出力表現を連結し、各薬物ペアの統合表現を形成する。
• 分子表現をDrugBankの相互作用ペアで事前学習した上で、DDIExtraction 2013共有タスクデータセット上でエンドツーエンドのモデルを訓練する。
• CNN層では最大プーリングとReLU活性化関数を用い、GGNNではGRUベースのメッセージパッシングを用いて原子特徴を反復的に集約する。
• 分類のための最終的な全結合ネットワークとソフトマックス活性化関数を用い、DDIタイプの分類を実行。エンドツーエンド最適化のための交差エントロピー損失関数を採用。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークは、分子構造から単独で薬物-薬物相互作用を正確に予測できるか？
• RQ2 分子構造情報の統合が、テキストベースのDDI抽出モデルの性能にどの程度寄与するか？
• RQ3 異なるGCNアーキテクチャ（NFP対GGNN）は、分子レベルのDDI予測においてどのように比較されるか？
• RQ4 分子表現は、特に希少または複雑な相互作用タイプにおいて、テキストベースのDDI抽出における曖昧さや低再現率の解消に寄与できるか？

主な発見

• グラフ畳み込みネットワーク（GCNs）は、分子構造から高精度にDDIを予測可能であり、DrugBank相互作用ペアを用いたGGNNではFスコア23.90%を達成した。
• 分子構造情報の統合により、テキストベースのDDI抽出のFスコアがDDIExtraction 2013共有タスクデータセットで2.39パーセンテージポイント向上した。
• 改善効果は特に『メカニズム』および『効果』タイプで顕著で、分子データが生物学的に妥当な相互作用の検出を強化していることが示された。
• 分子のみのモデルではFスコアが5%未満にとどまり、分子情報のみでは信頼できるDDI予測には不十分であるが、テキストと融合することで補完的役割を果たすことが確認された。
• 統計的有意性検定の結果、分子統合による性能向上は有意であった（NFPではp < 0.05、GGNNではp < 0.005、シャッフル済みテストセットで確認）。
• DrugBankでは高い性能を示したが、DDIExtraction 2013データセットでは、曇った記述や既知の相互作用のテキスト的カバレッジ不足のため、性能が低かった。