Neuro-symbolic representation learning on biological knowledge graphs.
Neuro-symbolic representation learning on biological knowledge graphs.
复制标题
DOI：
10.1093/bioinformatics/btx275
复制
发表时间：
2017-09-01
期刊：
影响因子：
--
通讯作者：
Hoehndorf R
中科院分区：
文献类型：
--
作者：
Alshahrani M;Khan MA;Maddouri O;Kinjo AR;Queralt-Rosinach N;Hoehndorf R
生物数据和知识库越来越依赖于语义网技术和知识图的使用，用于数据集成、检索和联合查询。在过去的几年中，适用于图结构数据的特征学习方法变得可用，但尚未在结构化生物知识上得到广泛应用和评估。结果：我们开发了一种新的生物知识图特征学习方法。我们的方法将符号方法，特别是使用符号逻辑和自动推理的知识表示与神经网络相结合，以生成对知识图中的相关信息进行编码的节点嵌入。通过使用符号逻辑，这些嵌入包含显式和隐式信息。我们将这些嵌入应用于知识图中的边缘预测，这些边缘代表功能预测问题，寻找疾病的候选基因，蛋白质-蛋白质相互作用或药物靶点关系，并展示了与基于手工制作的特征的传统方法相匹配，有时甚至优于传统方法的性能。我们的方法可以应用于任何生物知识图，从而将打开越来越多的基于语义网的生物学知识库，用于机器学习和数据分析。 https://github.com/bio-ontology-research-group/walking-rdf-and-owl 补充数据可在Bioinformatics在线获得。
Biological data and knowledge bases increasingly rely on Semantic Web technologies and the use of knowledge graphs for data integration, retrieval and federated queries. In the past years, feature learning methods that are applicable to graph-structured data are becoming available, but have not yet widely been applied and evaluated on structured biological knowledge. Results: We develop a novel method for feature learning on biological knowledge graphs. Our method combines symbolic methods, in particular knowledge representation using symbolic logic and automated reasoning, with neural networks to generate embeddings of nodes that encode for related information within knowledge graphs. Through the use of symbolic logic, these embeddings contain both explicit and implicit information. We apply these embeddings to the prediction of edges in the knowledge graph representing problems of function prediction, finding candidate genes of diseases, protein-protein interactions, or drug target relations, and demonstrate performance that matches and sometimes outperforms traditional approaches based on manually crafted features. Our method can be applied to any biological knowledge graph, and will thereby open up the increasing amount of Semantic Web based knowledge bases in biology to use in machine learning and data analytics. https://github.com/bio-ontology-research-group/walking-rdf-and-owl Supplementary data are available at Bioinformatics online.
登录
查看更多内容
影响因子：
14.9
作者：
Kim S;Thiessen PA;Bolton EE;Chen J;Fu G;Gindulyte A;Han L;He J;He S;Shoemaker BA;Wang J;Yu B;Zhang J;Bryant SH
通讯作者：
Bryant SH
DOI：
10.1093/bioinformatics/btt765
发表时间：
2014-05-01
期刊：
Bioinformatics (Oxford, England)
影响因子：
--
作者：
Jupp S;Malone J;Bolleman J;Brandizi M;Davies M;Garcia L;Gaulton A;Gehant S;Laibe C;Redaschi N;Wimalaratne SM;Martin M;Le Novère N;Parkinson H;Birney E;Jenkinson AM
通讯作者：
Jenkinson AM
影响因子：
14.9
作者：
Köhler S;Doelken SC;Mungall CJ;Bauer S;Firth HV;Bailleul-Forestier I;Black GC;Brown DL;Brudno M;Campbell J;FitzPatrick DR;Eppig JT;Jackson AP;Freson K;Girdea M;Helbig I;Hurst JA;Jähn J;Jackson LG;Kelly AM;Ledbetter DH;Mansour S;Martin CL;Moss C;Mumford A;Ouwehand WH;Park SM;Riggs ER;Scott RH;Sisodiya S;Van Vooren S;Wapner RJ;Wilkie AO;Wright CF;Vulto-van Silfhout AT;de Leeuw N;de Vries BB;Washingthon NL;Smith CL;Westerfield M;Schofield P;Ruef BJ;Gkoutos GV;Haendel M;Smedley D;Lewis SE;Robinson PN
通讯作者：
Robinson PN
影响因子：
56.9
作者：
Campillos, Monica;Kuhn, Michael;Bork, Peer
通讯作者：
Bork, Peer
影响因子：
4.6
作者：
Hoehndorf R;Schofield PN;Gkoutos GV
通讯作者：
Gkoutos GV