KDDJul, 2019

加速生物化学发现的信息抽取和知识图谱平台

PDF
TL;DR我们提出了一种可扩展的文件摄取系统，将数据库和出版物中的数据（以 PDF 格式）集成到生物化学知识图表（BCKG）中。BCKG 是一个全面的知识源，可以查询以检索已知的生物化学事实并生成新的见解。我们展示了我们的系统在碳水化合物酶领域的应用，BCKG 代表了一种自动利用先前知识加速生化科学发现的方法。
information extractiondata miningbiochemical literaturebiochemistry knowledge graphcarbohydrate enzymes
发现论文，激发创造
  • 开放研究知识图谱中生物分析的数字化

    该论文介绍了 ORKG-assays 工具，一个帮助科学家将他们的学术贡献语义化的 AI 工具，它利用了 AI 聚类算法，可以帮助药学研究人员在药物开发方面智能地访问语义化的生物分析集合。

    Mar, 2022

  • 癌症生物标志物发现的生物医学知识图谱

    本文描述了如何构建一个特定领域的知识图谱，以帮助癌症生物标志物的发现和查询，并使用语义技术和信息抽取方法集成相关领域的知识和数据，提供交互式解释和问题回答。

    Feb, 2023

  • Know2BIO: 演进中的生物医学知识图谱全面双视角基准

    我们提出了一个面向生物医学领域的异构知识图谱基准测试平台 Know2BIO，它从 30 个不同的数据源中整合数据，并捕捉了 11 个生物医学类别中的复杂关系。通过在 Know2BIO 上评估知识图谱表示模型，我们展示了其在生物医学领域中作为知识图谱表示学习基准测试的有效性。

    Oct, 2023

  • BIOS: 一种由算法生成的生物医学知识图谱

    本文介绍了完全由机器学习算法生成的第一个大规模公开生物医学知识图谱 Biomedical Informatics Ontology System（BIOS），包括生物医学术语的整理、同义词的计算识别、概念节点的聚合、语义类型分类、关系识别和医学机器翻译。结果提示，基于机器学习的 BioMedKG 开发是传统专家编纂的可行替代方案。

    Mar, 2022

  • 通过自动化知识图生成和丰富加速医学知识发现

    医疗知识图谱自动化 (M-KGA) 是一种创新方法，通过利用用户提供的医学概念并利用 BioPortal 本体进行语义增强，以整合预训练嵌入向量，从而提高知识图谱的完整性。该方法引入了基于聚类和基于节点的两种方法，以发现知识图谱中隐藏的连接，通过对电子健康记录中 100 个频繁出现的医学概念进行严格测试，展示了有望解决现有知识图谱自动化技术限制的潜力。

    Apr, 2024

  • KG-Hub -- 构建和交换生物知识图谱

    KG-Hub 是一个平台，它通过一种简单、模块化的提取 - 转换 - 加载（ETL）模式来生成符合 Biolink Model 的图形数据，易于集成任何 OBO 本体论，支持对上游数据源的缓存下载、版本化和自动更新构建，提供易于重复使用的转换子图，并支持基于知识图的机器学习。

    Jan, 2023

  • Math-KG：数学知识图谱的构建与应用

    本论文提出一种数学知识图谱（Math-KG），通过自然语言处理技术利用百度百科和维基百科构建，旨在解决在线教育平台上的信息过载和知识跟踪问题，并提供了一个简单的应用系统进行实验验证。

    May, 2022

  • FabKG：制造科学领域的知识图谱，利用结构化和非结构化知识源

    本文介绍了利用基于实体和关系的数据构建知识图谱的方法以及将众包方法应用于知识图谱构建，在制造业领域中建立了一个包含 65000 + 三元组的 FabKG，并展示了区分领域特定问题和基于表达式 / 公式的问题的用例。

    May, 2022

  • COVID-19 知识图谱：加速科学文献信息检索和发现

    本文提出了 COVID-19 知识图谱（CKG），它结合了语义信息和拓扑信息来提取和可视化 COVID-19 科学文章之间的复杂关系，最终形成一个关系图谱。CKG 可以为类似文档检索提供低维度的图像嵌入，有助于揭示 COVID-19 科学文章中深层次的信息。

    Jul, 2020

  • 从大型语言模型到知识图谱：癌症生物标志物发现

    开发了一个基于领域知识图谱和语义推理的癌症特定生物标志物发现和交互式问答系统，使用生物医学数据、领域本体论、信息提取方法以及大型语言模型进行知识图谱的构建和更新。

    Oct, 2023