[论文解读] Building Open Knowledge Graph for Metal-Organic Frameworks (MOF-KG): Challenges and Case Studies

Yuan An, Jane Greenberg+10 more|arXiv (Cornell University)|Jul 10, 2022

Metal-Organic Frameworks: Synthesis and Applications被引用 6

一句话总结

本文提出 MOF-KG，一个基于 Neo4j 中标签属性图模型构建的金属有机框架（Metal-Organic Frameworks）开放知识图谱，整合了结构化数据（CSD）与非结构化科学文献数据。结果表明，知识图谱嵌入模型——尤其是 DistMult——在预测 MOF 合成中缺失的溶剂信息方面达到了 50% 的 Hits@10 准确率，从而实现对材料科学中不完整知识的发现。

ABSTRACT

Metal-Organic Frameworks (MOFs) are a class of modular, porous crystalline materials that have great potential to revolutionize applications such as gas storage, molecular separations, chemical sensing, catalysis, and drug delivery. The Cambridge Structural Database (CSD) reports 10,636 synthesized MOF crystals which in addition contains ca. 114,373 MOF-like structures. The sheer number of synthesized (plus potentially synthesizable) MOF structures requires researchers pursue computational techniques to screen and isolate MOF candidates. In this demo paper, we describe our effort on leveraging knowledge graph methods to facilitate MOF prediction, discovery, and synthesis. We present challenges and case studies about (1) construction of a MOF knowledge graph (MOF-KG) from structured and unstructured sources and (2) leveraging the MOF-KG for discovery of new or missing knowledge.

研究动机与目标

• 为解决分散在结构化数据库和非结构化文献中的碎片化与不完整 MOF 数据挑战。
• 构建一个统一的、开放的知识图谱（MOF-KG），整合 MOF 结构、合成方法和性质，以支持材料发现。
• 利用知识图谱补全技术，实现对 MOF 合成中缺失或隐含知识（如溶剂使用）的自动化发现。
• 为材料科学家提供一个可扩展、可查询的基础设施，以加速 MOF 的预测、设计与合成。

提出的方法

• 在 Neo4j 中采用标签属性图模型表示 MOF 实体（如金属簇、连接体、溶剂）及其关系（如 HAS_SOLVENT、FORMS_NET）。
• 定义了与 MOF 迭代工作流程（合成、活化、分析）一致的领域特定数据模型。
• 从剑桥结构数据库（CSD）提取结构化数据，并应用基于规则的 NLP 方法从 114 篇科学文献中提取合成参数。
• 使用知识图谱嵌入模型（TransE、ConvE、ComplEx、DistMult 和 SimplE）学习 MOF 实体的低维表示，并预测缺失的 'HAS_SOLVENT' 关系。
• 在包含 20% 已知溶剂信息 MOFs 的测试集上，使用 MRR、Hits@K 和 AMRI 指标评估模型性能。
• 开发弱监督信息抽取方法，以提高从非结构化文本中提取溶剂信息的召回率。

实验结果

研究问题

• RQ1 如何从异构且分布式的 MOF 数据源（包括结构化数据库与非结构化科学文献）构建统一的知识图谱？
• RQ2 从自然语言文本中提取和建模 MOF 合成参数（尤其是溶剂）面临哪些关键挑战？
• RQ3 尽管数据不完整，知识图谱嵌入模型能否有效预测 MOF-KG 中缺失的 'HAS_SOLVENT' 关系？
• RQ4 不同知识图谱嵌入模型在预测 MOF 合成信息缺失方面表现如何比较？
• RQ5 知识图谱补全技术在多大程度上能够揭示现有数据库中未明确记录的隐含或缺失知识？

主要发现

• DistMult 知识图谱嵌入模型在预测缺失溶剂信息方面表现最佳，Hits@10 得分为 0.50。
• DistMult 的 MRR 为 0.25，AMRI 为 0.99，表明其具有强大的预测能力，并显著优于接近随机的基线。
• ComplEx 和 SimplE 模型未能超越随机预测，Hits@10 和 MRR 值均为 0.00。
• 基于规则的 NLP 方法在手动检查的十个合成程序中仅提取出三个溶剂记录，表明其在处理多样的溶剂命名时召回率低且鲁棒性差。
• 仅使用原子级别和出版物级别基础特征训练的知识图谱嵌入模型即可实现 50% 的 Hits@10，证明了仅凭最小输入即可预测复杂合成变量的可行性。
• 本研究证实，知识图谱补全技术能够从不完整数据中恢复大量缺失知识，尤其在文档稀疏的材料科学领域中效果显著。