[論文レビュー] Predicting Gene-Disease Associations with Knowledge Graph Embeddings over Multiple Ontologies

Susana Nunes, Rita T. Sousa+1 more|ArXiv.org|May 11, 2021

Bioinformatics and Genomic Networks参考文献 24被引用数 7

ひとこと要約

本稿では、遺伝子オントロジー（GO）、MONDO、HPOなどの複数の生物学的オントロジーを統合する知識グラフ埋め込み手法を提案し、遺伝子-疾患関連を予測する。統合的でマルチオントロジーの知識グラフ上でランダムウォークに基づくノード表現を活用することで、階層的構造を超えた多様な生物学的関係を捉え、単一オントロジーまたは意味的類似度ベースラインと比較して予測性能を顕著に向上させる。

ABSTRACT

Ontology-based approaches for predicting gene-disease associations include the more classical semantic similarity methods and more recently knowledge graph embeddings. While semantic similarity is typically restricted to hierarchical relations within the ontology, knowledge graph embeddings consider their full breadth. However, embeddings are produced over a single graph and complex tasks such as gene-disease association may require additional ontologies. We investigate the impact of employing richer semantic representations that are based on more than one ontology, able to represent both genes and diseases and consider multiple kinds of relations within the ontologies. Our experiments demonstrate the value of employing knowledge graph embeddings based on random-walks and highlight the need for a closer integration of different ontologies.

研究の動機と目的

• より豊かな意味的表現を複数の生物学的オントロジーから得ることで、遺伝子-疾患関連の予測精度を向上させること。
• 単一オントロジー手法の制限を是正し、階層的関係のみに制限されたモデリングを回避すること。
• 知識グラフ埋め込みを用いて多様なオントロジーを統合することで、予測性能が向上するかどうかを検証すること。
• ランダムウォークに基づく埋め込み手法が、複雑な生物学的関係をどのように捉えられるかを評価すること。

提案手法

• 遺伝子オントロジー（GO）、MONDO、ヒューマンフェノタイプオントロジー（HPO）を含む複数の生物学的オントロジーを統合して、統合された知識グラフを構築する。
• マルチオントロジー知識グラフ上で、特にノード2ベクトルに類似したランダムウォーク手法を用いた知識グラフ埋め込み技術を適用し、遺伝子および疾患の高次元ベクトル表現を学習する。
• 学習された埋め込みを用いて、遺伝子と疾患のペア間の類似度スコアを計算し、予測に用いる。
• 既知の遺伝子-疾患関連を正例として用い、負例はランダムペアリングにより生成することで、モデルを学習および評価する。
• 意味的類似度および単一オントロジー知識グラフ埋め込みベースラインと比較して性能を評価する。
• リンク予測フレームワークを用いて、モデルが既知の関連をどれだけ回復できるかを評価する。

実験結果

リサーチクエスチョン

• RQ1 単一の知識グラフに複数の生物学的オントロジーを統合することで、単一オントロジー手法と比較して遺伝子-疾患関連の予測性能が向上するか？
• RQ2 ランダムウォークに基づく知識グラフ埋め込みは、従来の意味的類似度手法と比較して、遺伝子-疾患リンクの予測においてどのように優れているか？
• RQ3 階層的関係を超える多様な生物学的関係（例：機能的関連、疾患関連、分子的関連）は、予測性能の向上にどの程度寄与するか？
• RQ4 分離されたまたは個別に表現されたオントロジーと比較して、統合的マルチオントロジー知識グラフを用いることで明確な利点が得られるか？

主な発見

• マルチオントロジー知識グラフ埋め込み手法は、従来の意味的類似度手法と比較して、遺伝子-疾患関連の予測において顕著に優れた性能を示した。
• ランダムウォークに基づく知識グラフ埋め込みは、単一オントロジーで学習されたベースラインモデルと比較して、優れた性能を発揮した。
• 特に分子的、表型的、疾患関連語彙を統合した複数のオントロジーの統合により、生物学的に関連する関係をモデルがよりよく捉える能力が向上した。
• 単一オントロジーのベースラインと比較して、本手法はより高いAUCスコアを達成し、陽性と陰性の遺伝子-疾患ペアの区別能力が向上したことを示した。
• 結果から、オントロジー間統合の重要性が浮き彫りになった。分離されたオントロジーでは、生物学的証拠の全範囲を捉えることはできなかった。
• 本研究では、階層的構造に限定されない、複数のオントロジーにまたがる多様な関係を利用した知識グラフ埋め込みが、より効果的であることが確認された。