[论文解读] Predicting Rich Drug-Drug Interactions via Biomedical Knowledge Graphs and Text Jointly Embedding

Meng Wang|arXiv (Cornell University)|Dec 24, 2017

Computational Drug Discovery Methods参考文献 23被引用 14

一句话总结

本文提出PRD框架，通过将生物医学知识图谱与文本联合嵌入低维空间，实现对丰富药物-药物相互作用（DDI）的预测，克服了数据稀疏性和不完整性问题。该方法通过联合知识与文本表征学习，在多标签DDI预测任务中优于当前最先进模型。

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.

研究动机与目标

• 解决从临床研究中获得的药物-药物相互作用（DDI）知识库不完整和噪声多的问题。
• 通过利用结构化和非结构化生物医学数据，克服现有DDI预测方法中的数据稀疏性和不完整性问题。
• 超越二元DDI预测，实现对多样化相互作用类型的多标签预测。
• 开发一种统一的表征学习框架，整合异构生物医学知识与文本信息。
• 在真实世界数据集上验证框架的有效性，实现更优的预测性能。

提出的方法

• 通过整合多个生物医学数据源，构建大规模药物知识图谱。
• 将知识图谱与全面的生物医学文本联合嵌入到共享的低维向量空间中。
• 利用图嵌入技术建模复杂关系，并缓解药物相互作用网络中的数据稀疏性问题。
• 在学习到的嵌入上应用链接预测，以推断多种相互作用类型的丰富DDI模式。
• 端到端训练模型，以保留来自结构化知识和非结构化文本的语义与关系信息。
• 利用统一的嵌入空间，实现高效且可扩展的多标签DDI预测。

实验结果

研究问题

• RQ1 与仅使用单一数据模态的方法相比，从知识图谱和生物医学文本中进行联合表征学习是否能提升对丰富药物-药物相互作用的预测性能？
• RQ2 所提出的框架在多大程度上能够缓解现有DDI知识库中的数据稀疏性和不完整性问题？
• RQ3 该模型在多标签DDI预测中的表现如何，特别是在捕捉二元配对之外的多样化相互作用类型方面？
• RQ4 整合异构数据源（结构化知识与非结构化文本）是否能带来更准确、更全面的DDI预测结果？
• RQ5 在真实世界数据集上，该框架与最先进模型相比，在预测性能方面表现如何？

主要发现

• PRD框架在多标签药物-药物相互作用预测任务中优于多种最先进基线方法。
• 知识图谱与生物医学文本的联合嵌入显著提升了模型预测多样化DDI类型的能力。
• 通过表征学习，该框架有效减轻了DDI知识库中数据稀疏性和不完整性的影响。
• 学习到的嵌入能够实现对多种相互作用类别中丰富DDI信息的准确且高效的链接预测。
• 在真实世界数据集上的大量实验验证了该模型在DDI预测任务中具有更优的准确性和鲁棒性。