.png){kind=icon}
返回
Learning Universal Knowledge Graph Embedding for Predicting Biomedical Pairwise Interactions
.png){kind=icon}
PRE
AI
DOI：10.1109/TCBBIO.2025.3617331.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测生物医学相互作用对于理解各种生物学过程和药物发现至关重要。图神经网络（GNNs）在存在大量标注数据时，在识别新颖相互作用方面具有前景。然而，标注生物医学相互作用通常耗时且费力，导致低数据场景。此外，实际应用中训练数据和测试数据之间的分布偏移对GNN模型的泛化能力构成挑战。近期研究显示，利用无标注数据通过自监督学习预训练GNN模型，可以提升其在预测生物医学相互作用方面的性能。在此，我们提出了LukePi，一种新颖的自监督预训练框架，用于在生物医学知识图谱（BKGs）上预训练GNN模型。LukePi通过两种自监督任务进行训练：基于拓扑的节点度分类和基于语义的边恢复。前者旨在根据节点的拓扑上下文预测其度数，后者则通过学习BKG中的语义信息推断候选边的类型和存在性。通过整合这两种互补任务，LukePi有效捕获了BKG中的丰富信息，从而提升了节点表示的质量。我们使用四个基准数据集，在分布偏移和低数据场景下，对LukePi在两项关键链接预测任务（预测合成致死性和药物-靶点相互作用）上的性能进行了评估。结果表明，LukePi显著优于22个基线模型，证明了在标注数据稀疏时图预训练策略的有效性。
Keyword:
Link prediction
self-supervised learning
knowledge graph
graph neural network
期刊
I
IF:
0
论文数:
151
被引数:
0
机构
引用论文
Synergistic drug combinations for cancer identified in a CRISPR screen for pairwise genetic interactions.png)
NATURE BIOTECHNOLOGY
OAAI
NATURE BIOTECHNOLOGYIF41.7
OAAI分享收藏The probability of edge existence due to node degree: a baseline for network-based predictionsGIGASCIENCEOAAI
GIGASCIENCEIF3.9
OAAI分享收藏分享收藏分享收藏Artificial intelligence foundation for therapeutic science治疗科学的人工智能基础NATURE CHEMICAL BIOLOGY
OAAI
NATURE CHEMICAL BIOLOGYIF13.7
OAAI分享收藏The histone methyltransferase EZH2 is a therapeutic target in small cell carcinoma of the ovary, hypercalcaemic typeJOURNAL OF PATHOLOGYOAAI
JOURNAL OF PATHOLOGYIF5.2
OAAI分享收藏
查看更多内容