[論文レビュー] Predicting Rich Drug-Drug Interactions via Biomedical Knowledge Graphs and Text Jointly Embedding

Meng Wang|arXiv (Cornell University)|Dec 24, 2017

Computational Drug Discovery Methods参考文献 23被引用数 14

ひとこと要約

本稿では、データスパarsityおよび不完全性を克服するために、バイオメディカル知識グラフとテキストを低次元空間に共同で埋め込むPRDというフレームワークを提案する。この手法は、共同知識表現学習とテキスト表現学習を用いることで、最先端のモデルを上回る性能を発揮し、マルチラベルDDI予測において優れた結果を達成する。

ABSTRACT

Minimizing adverse reactions caused by drug-drug interactions has always been a momentous research topic in clinical pharmacology. Detecting all possible interactions through clinical studies before a drug is released to the market is a demanding task. The power of big data is opening up new approaches to discover various drug-drug interactions. However, these discoveries contain a huge amount of noise and provide knowledge bases far from complete and trustworthy ones to be utilized. Most existing studies focus on predicting binary drug-drug interactions between drug pairs but ignore other interactions. In this paper, we propose a novel framework, called PRD, to predict drug-drug interactions. The framework uses the graph embedding that can overcome data incompleteness and sparsity issues to achieve multiple DDI label prediction. First, a large-scale drug knowledge graph is generated from different sources. Then, the knowledge graph is embedded with comprehensive biomedical text into a common low dimensional space. Finally, the learned embeddings are used to efficiently compute rich DDI information through a link prediction process. To validate the effectiveness of the proposed framework, extensive experiments were conducted on real-world datasets. The results demonstrate that our model outperforms several state-of-the-art baseline methods in terms of capability and accuracy.

研究の動機と目的

• 臨床研究から得られる不完全でノイズの多い薬物-薬物相互作用（DDI）知識ベースの課題に対処すること。
• 構造的および非構造的なバイオメディカルデータを活用することで、既存のDDI予測手法におけるデータスパarsityおよび不完全性を克服すること。
• 二値DDI予測を越えて、多様な相互作用タイプのマルチラベル予測を可能にすること。
• 異種のバイオメディカル知識とテキスト情報統合を可能にする統一された表現学習フレームワークの開発。
• 実世界のデータセット上で、予測性能の向上を伴うフレームワークの有効性を検証すること。

提案手法

• 複数のバイオメディカルデータソースからの統合により、大規模な薬物知識グラフの構築。
• 知識グラフと包括的なバイオメディカルテキストを、共有の低次元ベクトル空間に共同で埋め込む。
• グラフ埋め込み技術を活用して、複雑な関係性をモデル化し、薬物相互作用ネットワークにおけるデータスパarsityを軽減する。
• 学習済み埋め込みを用いてリンク予測を実行し、複数の相互作用タイプにわたる豊富なDDIパターンを推論する。
• 構造的知識と非構造的テキストの両方からの意味的および関係的情報を保持するように、モデルをエンドツーエンドで訓練する。
• 統一された埋め込み空間を活用して、効率的かつスケーラブルなマルチラベルDDI予測を実現する。

実験結果

リサーチクエスチョン

• RQ1 知識グラフとバイオメディカルテキストからの共同表現学習は、単一のデータモダリティに依存する手法と比較して、豊富な薬物-薬物相互作用の予測を改善できるか？
• RQ2 提案されたフレームワークは、既存のDDI知識ベースにおけるデータスパarsityおよび不完全性をどの程度軽減できるか？
• RQ3 モデルは、二値ペアを越えて多様な相互作用タイプを捉えるマルチラベルDDI予測において、どの程度の性能を発揮するか？
• RQ4 構造的知識と非構造的テキストという異種のデータソースを統合することで、より正確で包括的なDDI予測が可能になるか？
• RQ5 実世界のデータセットにおいて、提案されたフレームワークは最先端のモデルと比較して、予測性能でどの程度優れているか？

主な発見

• PRDフレームワークは、マルチラベル薬物-薬物相互作用予測において、いくつかの最先端のベースライン手法を上回る性能を発揮した。
• 知識グラフとバイオメディカルテキストの共同埋め込みは、多様なDDIタイプの予測能力を顕著に向上させた。
• 表現学習を通じて、DDI知識ベースにおけるデータスパarsityおよび不完全性の影響を効果的に軽減した。
• 学習済み埋め込みは、複数の相互作用カテゴリにわたる豊富なDDI情報の正確で効率的なリンク予測を可能にした。
• 実世界のデータセットを用いた広範な実験により、モデルの優れた精度と耐障害性がDDI予測タスクにおいて確認された。