.png){kind=icon}
返回
Bind: large-scale biological interaction network discovery through knowledge graph-driven machine learning
.png){kind=icon}
PRE
AI
DOI：10.1186/s12967/025-06789-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
生物系统源于从生物分子到宏观结构等实体之间复杂的相互作用，形成复杂的网络，对于理解疾病机制和开发治疗干预措施至关重要。当前的AI驱动的相互作用预测器通常独立运行，专注于单一任务，而忽略了不同生物相互作用如何相互影响的整体情况。用于识别这些相互作用的传统湿实验方法成本高昂、耗时且易出错。目前尚不存在统一的平台，生物学家可以在其中全面预测和分析多种类型的生物关系，这限制了我们发现新的治疗应用和完全理解相互关联的生物机制的能力。我们开发了BIND（生物相互作用网络发现），这是一个综合框架，利用11种知识图谱嵌入方法，在涉及30种生物关系和129,000个节点的8百万个相互作用上进行评估。我们实施了两阶段训练策略以缓解类别不平衡和异质性：首先在所有30种相互作用类型上进行初始训练以捕捉相互关系，然后进行关系特定的微调。基于MRR（平均倒数排名）表现最佳模型的每种关系的实体嵌入被分别输入到7种机器学习分类器中，创建了1050个预测管道，并通过广泛的实验和超参数优化进行评估。性能使用所有相互作用类型的F1分数进行评估。架构更简单的嵌入模型捕获了生物相互作用模式，通常优于复杂方法。两阶段训练策略在蛋白质-蛋白质相互作用中实现了最高26.9%的提升。最优嵌入-分类器组合在各个生物领域中获得了0.85至0.99的F1分数。在一个药物-表型相互作用案例研究中，BIND生成了1355个高置信度预测，其中新颖的相互作用通过现有文献证据成功验证。BIND提供了一个统一的网络应用程序，能够同时预测和分析多种生物相互作用类型，与孤立的方法相比性能更优。该平台作为生物学家识别未知相互作用以进行实验验证的有价值工具，通过全面的生物相互作用网络分析，可能加速生物标志物发现和治疗开发。
Keyword:
biological interaction networks
knowledge graph embedding
machine learning classifiers
two-stage training strategy
drug-phenotype interactions
期刊
IF:
7.5
论文数:
9.5K
被引数:
3.2W
机构
引用论文
Knowledge graph embeddings in the biomedical domain: are they useful? A look at link prediction, rule learning, and downstream polypharmacy tasks生物医学领域知识图谱嵌入：它们有用吗？——链接预测、规则学习和下游药物联合使用任务的探讨
PREAI
分享收藏Dacarbazine Combined Targeted Therapy versus Dacarbazine Alone in Patients with Malignant Melanoma: A Meta-Analysis.png)
PLoS ONE
OAAI
PLoS ONEIF0
OAAI分享收藏Molecular biomarkers, network biomarkers, and dynamic network biomarkers for diagnosis and prediction of rare diseases用于罕见病诊断和预测的分子生物标志物、网络生物标志物和动态网络生物标志物FUNDAMENTAL RESEARCH
OAAI
FUNDAMENTAL RESEARCHIF6.3
OAAI分享收藏Causal enhanced drug–target interaction prediction based on graph generation and multi-source information fusion基于图生成和多源信息融合的因果增强药物-靶点相互作用预测OAAI
OAAI分享收藏
查看更多内容