[論文レビュー] MOLIERE: Automatic Biomedical Hypothesis Generation System

Justin Sybrandt, Michael Shtutman+1 more|arXiv (Cornell University)|Feb 20, 2017

Biomedical Text Mining and Ontologies参考文献 26被引用数 13

ひとこと要約

MOLIERE は、2450万件の MEDLINE ドキュメントおよび NCBI データセットから、マルチモーダルでマルチリレーショナルなネットワークを構築する大規模なオープンソースのバイオメディカル仮説生成システムである。短経路探索と、これらの経路周辺の要約文に LDA を用いたトピックモデリングを適用することで、解釈可能で人間が読みやすい仮説を生成する。語彙制限なしに全文データを活用することで、従来のシステムを上回り、DDX3 ががん治療における役割を果たすという画期的な発見を的確に再現した。

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.

研究の動機と目的

• 膨大で多様なデータから自動的に仮説を生成することで、バイオメディカル文献における情報過多の課題に対処すること。
• 語彙、分野、データ範囲に制限を設ける従来のシステムの限界を克服し、隠れた関連性を発見すること。
• 全文要約から解釈可能で根拠に基づいた仮説を生成できる、スケーラブルで一般化可能なシステムを構築すること。
• バイオメディカル発見を加速するために、公開可能でオープンソースの知識ネットワークとクエリインターフェースを提供すること。
• 歴史的データを用いた検証を通じて、既知の画期的なバイオメディカル発見を再発見できること。

提案手法

• MEDLINE および NCBI データセットから、遺伝子、疾患、タンパク質、キーワードなどのバイオメディカルオブジェクトのマルチモーダルでマルチリレーショナルなネットワークを構築する。
• SPECIALIST NLP ツールセットを用いて、要約文およびタイトルからのエンティティと関係を標準化し抽出する。
• 最短経路アルゴリズムを適用し、中間ノードを通じてクエリコンセプト間の非自明な接続を同定する。
• これらの経路周辺の要約文を抽出し、事前に定義された語彙なしにトピックをモデル化できるスケーラブルな LDA 変種である PLDA+ を適用する。
• 意味のある n-gram を同定するトピック的フレーズマイニングを採用し、トピックモデルの解釈可能性と柔軟性を向上させる。
• 発見された経路周辺の文脈的要約文とトピックモデルを統合することで、人間が読みやすい仮説要約を生成する。

実験結果

リサーチクエスチョン

• RQ1 語彙や分野に制限を設けず、MEDLINE コーパス全体にわたる暗黙の関連性を効果的に抽出できる仮説生成システムは、実現可能か？
• RQ2 最短経路と LDA を用いたトピックモデリングに基づくシステムは、画期的なバイオメディカル発見をどの程度再発見できるか？
• RQ3 全文要約と意味的フレーズマイニングを用いることで、キーワードベースのシステムと比較して、仮説の質と解釈可能性はどの程度向上するか？
• RQ4 多様で現実世界のバイオメディカルデータに基づくシステムは、信頼性があり再現可能で、かつ新規の仮説を生成できるか？
• RQ5 2450万件のドキュメントにわたる全データセットに適用した場合、そのシステムの性能はどの程度スケーリングできるか？

主な発見

• 2009 年以前に入手可能なデータを用いて、デッドボックス RNAヘリカーゼ 3（DDX3）のがん治療における役割に関する強力な証拠をMOLIERE が的確に再発見した。
• トピックモデリングと最短経路に沿った要約文の統合により、MOLIERE は解釈可能で人間が読みやすい仮説を生成する能力を示した。
• トピック的フレーズマイニングにより語彙制限を回避したことで、MOLIERE は LDA を用いたトピックモデルの柔軟性と理解可能性を向上させた。
• 制限付きサブセットやキュレート語彙に依存する従来のアプローチとは異なり、MOLIERE は MEDLINE 全体のデータを活用することで、優れた性能を発揮した。
• 知識ネットワークとクエリインターフェースは公開されており、再現性と広範な科学的利用を可能にしている。
• 歴史的データを用いた評価により、MOLIERE が画期的な発見を同定できる能力を確認でき、バイオメディカル知識発見における実用性が裏付けられた。