Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction

要約

疾患遺伝子の正確な同定は、疾患の分子メカニズムを解読するための鍵の 1 つです。
現在のアプローチのほとんどは、生物学的ネットワークの構築と機械学習、特に病気の遺伝子を特定するための深層学習の利用に焦点を当てていますが、生物学的ナレッジ グラフ内のエンティティ間の複雑な関係は無視されています。
この論文では、疾患と遺伝子を中心とした生物学的ナレッジ グラフを構築し、相互作用テンソル分解 (KDGene と呼ばれる) を使用した疾患遺伝子予測のためのエンド ツー エンドのナレッジ グラフ補完モデルを開発します。
KDGene は、エンティティの埋め込みとテンソル分解への関係との間の相互作用モジュールを導入し、生物学的知識における情報の相互作用を効果的に強化できます。
実験結果は、KDGene が最先端のアルゴリズムよりも大幅に優れていることを示しています。
さらに、真性糖尿病の症例の包括的な生物学的分析により、新しい正確な候補遺伝子を特定する KDGene の能力が確認されました。
この作業は、疾患候補遺伝子を特定するためのスケーラブルなナレッジ グラフ補完フレームワークを提案します。その結果は、さらなるウェット実験のための貴重な参照を提供することが約束されています。

要約(オリジナル)

Accurate identification of disease genes has consistently been one of the keys to decoding a disease’s molecular mechanism. Most current approaches focus on constructing biological networks and utilizing machine learning, especially, deep learning to identify disease genes, but ignore the complex relations between entities in the biological knowledge graph. In this paper, we construct a biological knowledge graph centered on diseases and genes, and develop an end-to-end Knowledge graph completion model for Disease Gene Prediction using interactional tensor decomposition (called KDGene). KDGene introduces an interaction module between the embeddings of entities and relations to tensor decomposition, which can effectively enhance the information interaction in biological knowledge. Experimental results show that KDGene significantly outperforms state-of-the-art algorithms. Furthermore, the comprehensive biological analysis of the case of diabetes mellitus confirms KDGene’s ability for identifying new and accurate candidate genes. This work proposes a scalable knowledge graph completion framework to identify disease candidate genes, from which the results are promising to provide valuable references for further wet experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google