Knowledge Graph Embeddings in the Biomedical Domain: Are They Useful? A Look at Link Prediction, Rule Learning, and Downstream Polypharmacy Tasks

要約

ナレッジ グラフは、複雑な生物医学データを表現および整理するための強力なツールです。
ナレッジ グラフから学習してナレッジ グラフを完成させるために、いくつかのナレッジ グラフ埋め込みアルゴリズムが提案されています。
しかし、最近の研究では、生物医学のナレッジ グラフに適用した場合、これらの埋め込みアルゴリズムの有効性が限られていることが実証されており、生物医学の設定ではナレッジ グラフの埋め込みに制限があるかどうかという疑問が生じています。
この研究は、最新の生物医学ナレッジ グラフである BioKG のコンテキストで最先端のナレッジ グラフ埋め込みモデルを適用し、そのパフォーマンスと潜在的な下流での使用を評価することを目的としています。
HITS@10 スコアに基づくと、同じ生物医学知識グラフに関する以前の研究と比較して、パフォーマンスの点で 3 倍の向上を達成しました。
さらに、ルールベースの方法を通じて解釈可能な予測を提供します。
実際の多剤併用状況を表す 4 つのタスクで最もパフォーマンスの高いモデルを評価することで、ナレッジ グラフ埋め込みモデルが実際に適用できることを実証します。
結果は、大規模な生物医学知識グラフから学んだ知識をそのような下流のユースケースに転送できることを示唆しています。
私たちのコードは https://github.com/aryopg/biokge で入手できます。

要約(オリジナル)

Knowledge graphs are powerful tools for representing and organising complex biomedical data. Several knowledge graph embedding algorithms have been proposed to learn from and complete knowledge graphs. However, a recent study demonstrates the limited efficacy of these embedding algorithms when applied to biomedical knowledge graphs, raising the question of whether knowledge graph embeddings have limitations in biomedical settings. This study aims to apply state-of-the-art knowledge graph embedding models in the context of a recent biomedical knowledge graph, BioKG, and evaluate their performance and potential downstream uses. We achieve a three-fold improvement in terms of performance based on the HITS@10 score over previous work on the same biomedical knowledge graph. Additionally, we provide interpretable predictions through a rule-based method. We demonstrate that knowledge graph embedding models are applicable in practice by evaluating the best-performing model on four tasks that represent real-life polypharmacy situations. Results suggest that knowledge learnt from large biomedical knowledge graphs can be transferred to such downstream use cases. Our code is available at https://github.com/aryopg/biokge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google