[논문 리뷰] MOLIERE: Automatic Biomedical Hypothesis Generation System

Justin Sybrandt, Michael Shtutman외 1명|arXiv (Cornell University)|2017. 02. 20.

Biomedical Text Mining and Ontologies참고 문헌 26인용 수 13

한 줄 요약

MOLIERE는 2450만 건의 MEDLINE 문서와 NCBI 데이터셋에서 다중 모odal, 다중 관계 네트워크를 구성하는 대규모 오픈소스 생물의학 가설 생성 시스템이다. 이 시스템은 최단 경로 탐색과 개요 문단 주변의 LDA 기반 토픽 모델링을 통해 이해할 수 있고 인간이 읽을 수 있는 가설을 생성한다. 어휘 제한 없이 전문문서 데이터를 활용함으로써 이전 시스템을 능가하며, DDX3이 암 치료에 기여한다는 바이오메디컬 분야의 유명한 발견을 성공적으로 복원하였다.

ABSTRACT

Hypothesis generation is becoming a crucial time-saving technique which allows biomedical researchers to quickly discover implicit connections between important concepts. Typically, these systems operate on domain-specific fractions of public medical data. MOLIERE, in contrast, utilizes information from over 24.5 million documents. At the heart of our approach lies a multi-modal and multi-relational network of biomedical objects extracted from several heterogeneous datasets from the National Center for Biotechnology Information (NCBI). These objects include but are not limited to scientific papers, keywords, genes, proteins, diseases, and diagnoses. We model hypotheses using Latent Dirichlet Allocation applied on abstracts found near shortest paths discovered within this network, and demonstrate the effectiveness of MOLIERE by performing hypothesis generation on historical data. Our network, implementation, and resulting data are all publicly available for the broad scientific community.

연구 동기 및 목표

• 광범위하고 이질적인 데이터로부터 자동으로 가설을 생성함으로써 생물의학 문헌에서의 정보 과부하 문제를 해결하고자 한다.
• 어휘, 영역 또는 데이터 범위에 제한이 있는 이전 시스템의 한계를 극복하여 암묵적인 연결을 놓치지 않도록 하고자 한다.
• 전체 요약문에서 증거 기반이고 해석 가능한 가설을 생성할 수 있는 확장성 있고 일반화 가능한 시스템을 구축하고자 한다.
• 생물의학적 발견을 가속화하기 위해 공개된 오픈소스 지식 네트워크와 쿼리 인터페이스를 제공하고자 한다.
• 이력 데이터를 바탕으로 기존의 유명한 생물의학적 발견을 복원함으로써 시스템을 검증하고자 한다.

제안 방법

• MEDLINE 및 NCBI 데이터셋에서 유전자, 질환, 단백질, 키워드 등의 생물의학 대상에 대한 다중 모달, 다중 관계 네트워크를 구축한다.
• SPECIALIST NLP 툴셋을 사용하여 개요 및 제목에서 실체와 관계를 표준화하고 추출한다.
• 질의 개념 간 비트리비얼한 연결을 중간 노드를 통해 식별하기 위해 최단 경로 알고리즘을 적용한다.
• 이 경로 근처의 개요를 추출하고, 사전 정의된 어휘 없이 작동하는 확장 가능한 LDA 변종인 PLDA+를 적용하여 토픽을 모델링한다.
• 의미 있는 n-gram을 식별하기 위해 토픽 기반 어구 탐색 기법을 활용하여 토픽 모델의 해석 가능성과 민첩성을 향상시킨다.
• 발견된 경로 주변의 문맥적 요약문과 토픽 모델을 조합하여 인간이 읽을 수 있는 가설 요약문을 생성한다.

실험 결과

연구 질문

• RQ1 어휘나 영역에 제한이 없이 전체 MEDLINE 코퍼스에서 암묵적인 관계를 효과적으로 채굴할 수 있는 가설 생성 시스템은 가능한가?
• RQ2 최단 경로와 LDA 기반 토픽 모델링에 기반한 시스템은 역사적으로 중요한 생물의학적 발견을 얼마나 잘 복원할 수 있는가?
• RQ3 어휘 기반 시스템과 비교했을 때, 전문문서 개요와 의미 기반 어구 탐색을 활용하면 가설의 품질과 해석 가능성은 어느 정도 향상되는가?
• RQ4 이질적이고 실제 생물의학 데이터 기반의 시스템은 신뢰할 수 있고 재현 가능하며 새로운 가설을 생성할 수 있는가?
• RQ5 2450만 건의 문서 데이터셋 전체에 적용했을 때, 이러한 시스템의 성능은 어떻게 확장되는가?

주요 결과

• 2009년 이전에 이용 가능한 데이터를 바탕으로 MOLIERE는 데드박스 RNA 헬리카제 3(DDX3)이 암 치료에 기여한다는 강력한 증거를 성공적으로 복원하였다.
• 최단 경로를 따라 발견된 요약문과 토픽 모델을 조합함으로써 MOLIERE는 이해할 수 있고 인간이 읽을 수 있는 가설을 생성할 수 있었다.
• 주제 기반 어구 탐색을 통해 어휘 제한을 피함으로써 MOLIERE는 LDA 기반 토픽 모델의 민첩성과 이해 가능성에 기여하였다.
• 제한된 서브셋이나 정제된 어휘 사전을 사용하는 대신 전체 MEDLINE 코퍼스를 활용함으로써 MOLIERE는 이전 접근 방식을 능가하는 성능을 보였다.
• 지식 네트워크와 쿼리 인터페이스는 공개되어 있어 재현성과 광범위한 과학적 활용을 가능하게 하였다.
• 이력 데이터에 대한 평가를 통해 MOLIERE가 유명한 발견을 식별할 수 있는 능력을 입증하였으며, 생물의학 지식 탐색의 유용성을 검증하였다.