[논문 리뷰] Few-shot link prediction via graph neural networks for Covid-19 drug-repurposing

Vassilis N. Ioannidis, Da Zheng외 1명|arXiv (Cornell University)|2020. 07. 20.

Computational Drug Discovery Methods참고 문헌 19인용 수 30

한 줄 요약

Inductive Relational GCN (I-RGCN)을 도입하여 이종 지식 그래프에서의 few-shot 링크 예측을 수행하고, Covid-19 약물 발견을 위한 Drug Repurposing Knowledge Graph (DRKG)에 적용하여 baselines보다 성능이 향상됨.

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)

연구 동기 및 목표

• 이종 지식 그래프에서 발생하는 희귀한 에지 형태에 대한 few-shot 링크 예측을 동기부여하고 다룬다.
• few 예제로부터 관계 임베딩을 학습하는 inductive 방법을 개발한다.
• 표준 KG 데이터셋(IMDb, DBLP)와 Covid-19 약물 재활용을 위한 DRKG에서 이 방법을 시연한다.
• inductive 관계 학습이 few-shot 및 비‑few-shot 설정에서 일반화를 향상시킨다는 것을 보인다.
• 링크 예측을 통해 Covid-19에 대한 기존 약물을 우선순위화할 가능성을 입증한다.

제안 방법

• Relational Graph Convolutional Networks (RGCN)을 확장하여 multilayer perceptron (MLP)을 통해 관계 임베딩을 inductively 학습한다.
• 표준 RGCN으로 노드 임베딩을 계산한 다음, 참여 노드 쌍의 연결된 임베딩을 이용해 MLP로 h_r를 도출한다.
• h_n_t, h_r, h_n_t′를 이용한 DistMult 스타일의 형태로 삼중항을 점수화하고 로지스틱 손실로 최적화한다.
• 희소한 관계를 다루기 위해 음수 삼중항을 구성하고 MLP가 희귀 관계에 대해 참/거짓 엣지를 예측하도록 학습한다.
• 가능한 경우 노드에 특징을 사용하고, 특징이 없는 노드에는 임베딩 레이어를 사용한다.
• IMDb와 DBLP에서 few-shot 링크 예측을 평가하고, Covid-19 약물 재활용을 위한 DRKG에서 평가한다.

실험 결과

연구 질문

• RQ1 이종 그래프에서 희귀한 에지 타입에 대한 관계 임베딩을 inductive 메커니즘으로 학습할 수 있는가?
• RQ2 벤치마크 데이터셋에서 표준 RGCN 및 KG 임베딩 모델에 비해 I-RGCN이 few-shot 링크 예측을 향상시키는가?
• RQ3 DRKG를 이용한 Covid-19 약물 재활용과 같은 도메인 특정 작업에 inductive 접근이 효과적으로 적용될 수 있는가?
• RQ4 학습된 관계 임베딩이 비- few-shot 설정에도 일반화되는가?
• RQ5 I-RGCN 접근법이 DRKG로부터 Covid-19에 대해 임상적으로 관련 있는 약물 후보를 식별할 수 있는가?

주요 결과

• I-RGCN은 IMDb 및 DBLP 데이터셋에서 few-shot 링크 예측에 대해 기저 모델보다 유의하게 우수하다.
• 훈련 엣지의 수가 증가함에 따라 RGCN 성능이 I-RGCN에 수렴하여, few-shot 레짐에서 강한 inductive 이점을 나타낸다.
• DRKG 기반의 Covid-19 약물 재활용에서, I-RGCN은 임상시험에 등장하는 여러 약물을 식별하고 RGCN보다 더 높은 적중률을 달성한다.
• 실험 전반에서 I-RGCN은 강한 일반화를 보여주며, 비- few-shot 링크 예측 설정에서도 포함된다.
• 이 방법은 Covid-19 치료 연구에서 기존 약물을 추가 조사 우선순위에 두는 실용적 도구로서의 가치를 입증한다.