[논문 리뷰] Predicting Rich Drug-Drug Interactions via Biomedical Knowledge Graphs and Text Jointly Embedding

Meng Wang|arXiv (Cornell University)|2017. 12. 24.

Computational Drug Discovery Methods참고 문헌 23인용 수 14

한 줄 요약

이 논문은 데이터 부족성과 불완전성을 극복하기 위해 생물의학 지식 그래프와 텍스트를 낮은 차원의 공간에 동시에 통합하는 PRD라는 프레임워크를 제안한다. 이는 풍부한 약물-약물 상호작용(DDI)을 예측하는 데에 초점이 맞춰져 있다. 이 방법은 구조적 및 비구조적 생물의학 데이터를 활용하여 최신 기술 대비 다중 레이블 DDI 예측에서 뛰어난 성능을 달성한다.

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.

연구 동기 및 목표

• 임상 연구에서 유래한 완전하지도 않고 노이즈가 많은 약물-약물 상호작용(DDI) 지식 기반의 과제를 해결하기 위해.
• 구조적 및 비구조적 생물의학 데이터를 활용하여 기존 DDI 예측 방법의 데이터 부족성과 불완전성을 극복하기 위해.
• 이진 DDI 예측을 넘어서 다양한 상호작용 유형의 다중 레이블 예측을 가능하게 하기 위해.
• 이질적인 생물의학 지식과 텍스트 정보를 통합하는 통합된 표현 학습 프레임워크를 개발하기 위해.
• 실세계 데이터셋에서 프레임워크의 효과성을 검증하고 예측 성능을 향상시키기 위해.

제안 방법

• 다양한 생물의학 자료원에서 데이터를 통합하여 대규모 약물 지식 그래프를 구축하기 위해.
• 지식 그래프와 포괄적인 생물의학 텍스트를 공통의 저차원 벡터 공간에 동시에 임베딩하기 위해.
• 복잡한 관계를 모델링하고 약물 상호작용 네트워크에서의 데이터 부족 문제를 완화하기 위해 그래프 임베딩 기법을 활용하기 위해.
• 학습된 임베딩에 대해 링크 예측을 적용하여 다양한 상호작용 유형에 걸쳐 풍부한 DDI 패턴을 추론하기 위해.
• 구조적 지식과 비구조적 텍스트 양쪽에서 의미적 및 관계적 정보를 유지하도록 모델을 종단 간(end-to-end)으로 훈련하기 위해.
• 통합된 임베딩 공간을 활용하여 효율적이고 확장 가능한 다중 레이블 DDI 예측을 가능하게 하기 위해.

실험 결과

연구 질문

• RQ1 지식 그래프와 생물의학 텍스트에서의 통합 표현 학습이 단일 데이터 모odal을 사용하는 방법보다 풍부한 약물-약물 상호작용 예측에 있어 성능을 향상시키는가?
• RQ2 제안된 프레임워크가 기존 DDI 지식 기반의 데이터 부족성과 불완전성 문제를 어느 정도 완화할 수 있는가?
• RQ3 모델은 특히 이진 쌍을 넘어서 다양한 상호작용 유형을 포괄하는 다중 레이블 DDI 예측에서 어떻게 성능을 발휘하는가?
• RQ4 이질적인 데이터 소스(구조적 지식과 비구조적 텍스트)의 통합이 더 정확하고 종합적인 DDI 예측을 이끌어내는가?
• RQ5 실세계 데이터셋에서 제안된 프레임워크는 최신 기술 대비 예측 성능 측면에서 어떻게 비교되는가?

주요 결과

• PRD 프레임워크는 다중 레이블 약물-약물 상호작용 예측에서 여러 최신 기술 기반 베이스라인 모델을 능가한다.
• 지식 그래프와 생물의학 텍스트의 통합 임베딩은 모델이 다양한 DDI 유형을 예측하는 능력을 크게 향상시킨다.
• 표현 학습을 통해 DDI 지식 기반의 데이터 부족성과 불완전성에 대한 영향을 효과적으로 줄인다.
• 학습된 임베딩는 다양한 상호작용 카테고리에 걸쳐 풍부한 DDI 정보를 정확하고 효율적으로 링크 예측할 수 있도록 한다.
• 실세계 데이터셋에서 실시한 광범위한 실험을 통해 모델의 뛰어난 정확도와 예측 작업에서의 강건성을 확인하였다.