[논문 리뷰] Towards context in large scale biomedical knowledge graphs

Jens Dörpinghaus, Andreas Stefan외 2명|arXiv (Cornell University)|2020. 01. 23.

Scientific Computing and Data Management참고 문헌 39인용 수 10

한 줄 요약

이 논문은 PubMed와 SCAIView에서 유래한 대규모 생물의학 지식 그래프에 인용, 명명된 실체, BEL 관계와 같은 맥락 정보를 통합하기 위해 Neo4j에서 레이블이 부여된 속성 그래프를 사용하는 다국어 지속 아키텍처를 제안한다. 결과로 생성된 그래프는 7,100만 개 이상의 노드와 8억 5,000만 개 이상의 관계를 포함하며, 복잡한 질의를 통해 지식 탐색을 가능하게 하며, 맥락 기반 생물학 연구에 유용성을 입증하는 27개의 실제 사례를 제공한다.

ABSTRACT

Contextual information is widely considered for NLP and knowledge discovery in life sciences since it highly influences the exact meaning of natural language. The scientific challenge is not only to extract such context data, but also to store this data for further query and discovery approaches. Here, we propose a multiple step knowledge graph approach using labeled property graphs based on polyglot persistence systems to utilize context data for context mining, graph queries, knowledge discovery and extraction. We introduce the graph-theoretic foundation for a general context concept within semantic networks and show a proof-of-concept based on biomedical literature and text mining. Our test system contains a knowledge graph derived from the entirety of PubMed and SCAIView data and is enriched with text mining data and domain specific language data using BEL. Here, context is a more general concept than annotations. This dense graph has more than 71M nodes and 850M relationships. We discuss the impact of this novel approach with 27 real world use cases represented by graph queries.

연구 동기 및 목표

• 대규모 생물의학 지식 그래프에서 맥락 정보를 저장하고 질의하는 데 도전 과제를 해결하기 위해.
• RDF 삼중체 스토어의 한계를 극복하기 위해 더 풍부한 구조적 의미를 지닌 레이블이 부여된 속성 그래프를 채택하기 위해.
• PubMed 메타데이터, 텍스트 마이닝을 통한 실체, 도메인 전용 언어(BEL)와 같은 다양한 데이터 소스를 통합하여 통합적이고 맥락 인식 가능한 그래프를 구축하기 위해.
• 생물의학 분야에서 가설 생성과 지식 탐색을 위한 복잡한 맥락 민감 질의를 가능하게 하기 위해.
• 실제 생물의학 데이터를 활용한 프로토타입 시스템을 통해 확장성과 질의 성능을 입증하기 위해.

제안 방법

• 논문 메타데이터(예: 저자, 키워드, 저널 등)를 노드로, 간선으로 하여 초기 문서 그래프를 구축한다.
• 텍스트 마이닝 도구(예: JProMiner)와 온톨로지(예: MeSH)를 활용해 그래프에 명명된 실체와 관계를 보완한다.
• 생물학적 관계를 표현하기 위해 생물학적 표현 언어(BEL)를 사용해 도메인 전용 언어 데이터를 통합한다.
• 복잡한 탐색과 하위그래프 매칭을 지원하기 위해 지식 그래프를 Neo4j 기반의 레이블이 부여된 속성 그래프 데이터베이스에 저장한다.
• 이질적인 데이터 소스 간의 확장성과 질의 성능 향상을 위해 다국어 지속 아키텍처를 구현한다.
• 맥락을 일반 개념으로 정의하여, 어떤 실체(예: 문서, 유전자, 저자)라도 다른 실체의 맥락이 될 수 있도록 하여 재귀적이고 다단계의 맥락 기반 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 다양한 소스(예: 인용, 명명된 실체, 온톨로지)에서 온 맥락 정보를 대규모 생물의학 지식 그래프에 체계적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 전통적인 RDF 삼중체 스토어는 생명과학 분야에서 복잡한 맥락 인식 질의를 지원하는 데 어떤 한계를 지니는가?
• RQ3 다국어 지속 아키텍처를 갖춘 레이블이 부여된 속성 그래프 모델이 복잡한 생물학적 지식 탐색을 위한 확장성 있고 효율적인 질의를 지원할 수 있는가?
• RQ4 맥락 메타데이터(예: 저자 소속, 인용 네트워크)의 포함이 지식 추출의 정확성과 깊이를 어떻게 향상시키는가?
• RQ5 맥락 기반의 대규모 생물의학 지식 그래프를 사용하여 효과적으로 모델링하고 질의할 수 있는 실제 사례는 무엇인가?

주요 결과

• 지식 그래프는 PubMed와 SCAIView 데이터에서 유래한 텍스트 마이닝 및 BEL 관계를 통합하여 7,100만 개 이상의 노드와 8억 5,000만 개 이상의 관계를 포함한다.
• Neo4j에서 레이블이 부여된 속성 그래프를 사용함으로써, RDF 삼중체 스토어에서 기본적으로 지원되지 않는 복잡한 질의(예: 하위그래프 매칭, 중심성 분석)가 가능해졌다.
• 그래프 질의를 통해 다수의 질병과 관련된 유전자(예: APP 및 TNF)를 성공적으로 식별하여 맥락 인식 기반 탐색의 유용성을 입증했다.
• 시스템은 Cypher의 `algo.degree`를 통해 고중심성 유전자를 식별하는 등 27개의 실제 사례를 지원하여 주요 생물학적 참여자를 효과적으로 파악했다.
• 그래프 크기로 인해 일부 의미적 질의에서 성능 저하가 발생하고 있으나, 다국어 지속 아키텍처는 확장성 향상에 잠재력을 보였다.
• 저자 간의 혼동 방지 및 OCR 처리된 데이터의 품질 문제 등 도전 과제가 지속되며, 향후 작업에서 고도의 혼동 방지 기법 통합의 필요성을 강조한다.