[論文レビュー] Integrating Logical Rules Into Neural Multi-Hop Reasoning for Drug Repurposing

Yushan Liu, Marcel Hildebrandt+3 more|arXiv (Cornell University)|Jul 10, 2020

Advanced Graph Neural Networks参考文献 13被引用数 5

ひとこと要約

本稿では、医療分野の知識グラフにおける強化学習に基づくマルチホップ推論に論理的ルールを統合する神経記号的手法を提案する。メタパス誘導型報酬設計を用いた方策ベースのパス探索により、Hetionet上で最先端の性能を達成し、ベースライン比でhits@1で26.6%、MRRで16.5%の向上を達成した。

ABSTRACT

The graph structure of biomedical data differs from those in typical knowledge graph benchmark tasks. A particular property of biomedical data is the presence of long-range dependencies, which can be captured by patterns described as logical rules. We propose a novel method that combines these rules with a neural multi-hop reasoning approach that uses reinforcement learning. We conduct an empirical study based on the real-world task of drug repurposing by formulating this task as a link prediction problem. We apply our method to the biomedical knowledge graph Hetionet and show that our approach outperforms several baseline methods.

研究の動機と目的

• 標準の埋め込みベース手法が poorly 把握する医療分野の知識グラフにおける長距離依存関係の課題に対処する。
• Hetionetのようなノイズ多発、高次数、複雑な医療分野の知識グラフを扱う際、記号的推論とブラックボックス型ニューラルモデルの限界を克服する。
• 論理的ルールとしてのドメイン知識とパスベース推論を組み合わせることで、ドラッグリポurposeリングにおける解釈可能性と性能を向上させる。
• メタパスをバックグラウンド知識として活用する強化学習エージェントを構築し、リンク予測のためのマルチホップパス探索をガイドする。
• 神経推論に論理的ルールを統合することで、解釈可能性を損なわず、性能を顕著に向上させられることを示す。

提案手法

• 医療分野の知識グラフ上で方策誘導型ランダムウォークを実行する強化学習エージェントを訓練し、欠落したドラッグ-疾患リンクの予測を目的とする。
• 事前に定義されたメタパスに一致するパスを通過した際に追加報酬が得られるように変更された報酬関数を導入し、論理的バックグラウンド知識を統合する。
• 推論時にビームサーチを適用し、予測確率に基づいて候補パスをランク付けすることで、既知の生物学的パターンに整合するパスに焦点を当てる。
• ドラッグリポurposeリングを、化合物と疾患をエンティティとし、'treats'をターゲット関係とするHetionet上でのリンク予測タスクとして定式化する。
• ランク付け時に既知のメタパスに一致するパスのみを考慮するプルーニング戦略（MINERVA+ (pruned)）を適用し、一般化性能と性能を向上させる。
• データ駆動型および専門家が導いた論理的ルール（例：Horn節）をバックグラウンド知識として活用し、本手法の柔軟性と拡張性を高める。

実験結果

リサーチクエスチョン

• RQ1 強化学習に基づくパス探索エージェントに論理的ルールを統合することで、医療分野の知識グラフにおけるマルチホップ推論の性能が向上するか？
• RQ2 メタパスをバックグラウンド知識として用いることで、予測されたドラッグ-疾患関連の質と一般化性能にどのような影響を与えるか？
• RQ3 パスベース推論と論理的ルールを組み合わせた神経記号的手法が、純粋な埋め込みベースまたは記号的ルールベース手法を上回るか？
• RQ4 メタパス誘導型報酬は、エージェントが生物学的に意味のある推論パスを発見する能力をどの程度向上させるか？
• RQ5 提案手法は、明示的なパス解釈を提供することで、解釈可能性を保ちながら高い性能を維持できるか？

主な発見

• 提案手法であるMINERVA+ (pruned) は、hits@1スコア0.319を達成し、最良のベースライン（MINERVAで0.294）比で26.6%の向上を示した。
• 最良のベースライン比でMRRが16.5%向上し、スコア0.416に到達した。
• メタパス誘導型報酬の導入により性能が顕著に向上し、MINERVA+ (pruned) はMINERVA比でhits@10で3.1%、MRRで3.9%の向上を示した。
• MINERVA+ (pruned) はhits@3が0.468、hits@10が0.628を達成し、長尾予測において優れた一般化性能とロバストネスを示した。
• モデルは生物学的に妥当な予測を生成した：ソラフェニブに関しては、造血器がん、乳癌、バーレット食道がんを上位候補としてランク付けしており、臨床試験の結果と一致した。
• AnyBURLのような記号的手法は、Hetionetのような高次数・複雑なグラフにおけるルール抽出能力に限界があるため、性能が劣った。神経記号的統合の利点が顕著に示された。