基于大规模结构相似和文本相似的知识图挖掘方法预测药物相互作用
(Large-scale structural and textual similarity-based mining of knowledge graph to predict drug–drug interactions)
论文来源:[link](http://dx.doi.org/10.1016/j.websem.2017.06.002)
输入: 各类药物相关的数据资源作为输入
输出: drug-drug interaction(DDI)预测作为输出
计算的过程从输入数据的语义集成开始,结果是一个描述药物属性和与各种相关实体(如酶、化学结构和通路)关系的知识图。利用知识图谱来计算可扩展和分布式框架中所有药物之间的几个相似性度量。
特别的,利用了知识图中的两类特性:局部特性和全局特性。局部特征来自于与每种药物直接相关的信息,而全局特征是通过最小化考虑知识图完整结构的全局损失函数来学习的。由此产生的相似性度量被用来为一个大规模的逻辑回归模型建立特征来预测潜在的DDIs。
以往研究的不足:
1、无法预测新开发的药物。
2、忽略相互作用的药物对的偏态分布。
3、丢弃了许多相关的数据源和相似性度量是不完全的。
4、使用不适当的评估指标。
文中数据来源:
对一组全面的结构化和非结构化数据源进行了语义集成。我们利用来自多个关联数据源的信息,如DrugBank、UMLS、DailyMed、Uniprot和CTD 来构建知识图。这个综合知识图描述了药物属性以及与各种相关实体如酶、化学结构和途径的关系。
更广泛的相似性度量:
利用
基于大规模结构相似和文本相似的知识图挖掘方法预测药物相互作用
最新推荐文章于 2022-05-25 11:10:50 发布
![](https://img-home.csdnimg.cn/images/20240711042549.png)