[論文レビュー] Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing

Vassilis N. Ioannidis, Da Zheng+1 more|arXiv (Cornell University)|Jul 20, 2020

Computational Drug Discovery Methods参考文献 19被引用数 30

ひとこと要約

異種知識グラフに対して few-shot リンク予測を行うための帰納的 Relational GCN (I-RGCN) を導入し、Covid-19 薬剤探索のための Drug Repurposing Knowledge Graph (DRKG) に適用して、ベースラインより性能が向上することを示す。

ABSTRACT

Predicting interactions among heterogenous graph structured data has numerous applications such as knowledge graph completion, recommendation systems and drug discovery. Often times, the links to be predicted belong to rare types such as the case in repurposing drugs for novel diseases. This motivates the task of few-shot link prediction. Typically, GCNs are ill-equipped in learning such rare link types since the relation embedding is not learned in an inductive fashion. This paper proposes an inductive RGCN for learning informative relation embeddings even in the few-shot learning regime. The proposed inductive model significantly outperforms the RGCN and state-of-the-art KGE models in few-shot learning tasks. Furthermore, we apply our method on the drug-repurposing knowledge graph (DRKG) for discovering drugs for Covid-19. We pose the drug discovery task as link prediction and learn embeddings for the biological entities that partake in the DRKG. Our initial results corroborate that several drugs used in clinical trials were identified as possible drug candidates. The method in this paper are implemented using the efficient deep graph learning (DGL)

研究の動機と目的

• 稀少なエッジタイプが出現する異種知識グラフにおける few-shot リンク予測を動機づけ、対処する。
• 少数の例から関係埋め込みを学習する帰納的手法を開発する。
• 標準的な KG データセット（IMDb, DBLP）および Covid-19 薬剤再利用のための DRKG で手法を実証する。
• 帰納的関係学習が few-shot および non-few-shot 設定で一般化を改善することを示す。
• リンク予測を通じて Covid-19 の既存薬を優先順位付けする可能性を示す。

提案手法

• Relational Graph Convolutional Networks (RGCN) を拡張し、MLP（ multilayer perceptron）を介して帰納的に関係埋め込みを学習する。
• 標準的な RGCN でノード埋め込みを計算し、結合ノード埋め込みを連結した MLP を用いて関係埋め込み h_r を参加ノード対から導出する。
• h_n_t, h_r, h_n_t′を用いた DistMult 風の定式化で三重項をスコア付けし、ロジスティック損失で最適化する。
• 稀な関係を扱うために負の三重項を構築し、MLP を訓練して希少な関係の真偽エッジを予測する。
• 利用可能な場合はノードの特徴を使用；特徴を持たないノードには埋め込み層を用いる。
• IMDb と DBLP で few-shot リンク予測を評価し、DRKG で Covid-19 薬剤再利用を評価する。

実験結果

リサーチクエスチョン

• RQ1 異種グラフの稀少なエッジタイプに対して、帰納的機構が関係埋め込みを学習できるか？
• RQ2 I-RGCN は標準の RGCN および KG 埋め込みモデルより few-shot リンク予測を改善するか（ベンチマークデータセットで）？
• RQ3 帰納的手法は DRKG を用いた Covid-19 薬剤再利用のようなドメイン固有タスクに効果的に適用できるか？
• RQ4 学習された関係埋め込みは non-few-shot 設定にも一般化するか？
• RQ5 I-RGCN アプローチは DRKG から Covid-19 の臨床的に関連する薬剤候補を特定できるか？

主な発見

• I-RGCN は IMDb および DBLP データセットの few-shot リンク予測でベースラインモデルを大幅に上回る。
• 学習エッジ数が増えるにつれて、RGCN の性能は I-RGCN に収束し、few-shot レジームにおける強い帰納的利点を示している。
• DRKG に基づく Covid-19 薬剤再利用で、I-RGCN は臨床試験に現れるいくつかの薬剤を特定し、RGCN より高いヒット率を達成する。
• 実験を通じて I-RGCN は非 few-shot リンク予測設定を含む強い一般化を示す。
• 本アプローチは Covid-19 治療研究におけるさらなる検討のために既存薬を優先順位付けする実用的なツールとしての妥当性を示す。