KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction

• 背景
• 相关研究
• • • 主流方法
    • • • 【特点】：多数据源的集成+流行的嵌入方法
        • 【缺点】：对药物**与靶点和基因等其他实体**之间的潜在**相关性关注较少**
        • 【具体相关工作】
    • 现有的知识图谱方法
    • • • 【特点】：直接学习节点的潜在嵌入
        • 【缺点】：无法获取KG中实体丰富的邻域信息
        • 【具体相关工作】
• 论文方法：端到端的知识图谱神经网络（KGNN）框架
• • • framwork
    • DDI prediction problem
    • Overview
    • DDI Extraction and KG Construction
    • KGNN Layer
• 贡献

• 任务：药物相互作用预测
• 方法：知识图谱神经网络

背景

• 预测药物相互作用(DDI)是药理学和临床应用中一个具有挑战性的问题
• 在临床试验中有效地识别潜在的DDI对患者和社会至关重要

相关研究

主流方法

【特点】：多数据源的集成+流行的嵌入方法

【缺点】：对药物与靶点和基因等其他实体之间的潜在相关性关注较少

【具体相关工作】

• 待完善

现有的知识图谱方法

【特点】：直接学习节点的潜在嵌入

【缺点】：无法获取KG中实体丰富的邻域信息

【具体相关工作】

• 待完善

论文方法：端到端的知识图谱神经网络（KGNN）框架

• 【特点】：通过挖掘KG中的关联关系，有效地捕获药物及其潜在的邻域。
• 【关键】：为了提取KG的高阶结构和语义关系，我们从KG中每个实体的邻域中学习作为它们的局部接受性，然后将邻域信息与当前实体表示的偏差进行集成。这样，感受野可以自然地扩展到多跳之外，以模拟高阶拓扑信息并获得药物潜在的想·远距离相关性。

framwork

1. 第一个模块是从数据集合中提取ddi和构造知识图谱。
2. 第一个模块利用图神经网络提取药物的高阶结构和语义关系,从KG中学习药物及其拓扑邻域表示。
3. 最后一个模块是训练二分类器，然后预测潜在的药物相互作用。

DDI prediction problem

1. DDI 矩阵
   • y(i;j )= 1 表示药物i,j有相互作用
   • y(i;j )= 0 表示药物i,j未被发现有相互作用
2. 知识图谱G
   • 考虑药物相关节点领域拓扑
   • 构建知识图谱
3. task: 预测药物i,j的相互作用的可能性

Overview

• 输入：DDI矩阵、知识图谱G
• 输出：药物相互作用值
• S1：提取DDI、建图谱
• S2：在知识图谱的药物对间编码药物特征和邻居结构
• S2：基于2的结果预测是否相互作用

DDI Extraction and KG Construction

KGNN Layer

贡献

• 第一个提出知识图神经网络（KGNN）——端到端的框架，用于探索药物在知识图中的拓扑结构，以预测潜在的药物相互作用。通过以KG为单位扩展每个实体的感受野，KGNN能够捕捉药物对之间的高阶关系。
• KGNN框架有三个不同的技术亮点
  1. KGNN利用了KG中每个实体的拓扑信息，有利于DDI预测。
  2. KGNN将所有拓扑邻域信息从它们的局部接受性集合起来，以提取高阶结构和语义关系。
  3. KGNN采用与（1）和（b）兼容的图神经网络（ii）预测潜在的DDI。
• 在两个广泛使用的数据集上验证，KGNN优于经典和最先进的DDI预测模型