多模式蛋白知识图谱构建及应用

AAAIMay, 2022

Multi-modal Protein Knowledge Graph Construction and Applications

Siyuan Cheng, Xiaozhuan Liang, Zhen Bi, Huajun Chen, Ningyu Zhang

TL;DR本文介绍了 ProteinKG65，一个专门用于蛋白质科学的知识图谱，它基于基因本体论和 Uniprot 知识库，并整合了多种知识，主要旨在将基因本体论的知识应用于蛋白质功能及结构预测，文中还展示了 ProteinKG65 的潜在应用。

Abstract

Existing data-centric methods for protein science generally cannot sufficiently capture and leverage biology knowledge, which may be crucial for many protein tasks. To facilitate research in this field, we create protei

proteinkg65 knowledge graph protein science gene ontology protein function

发现论文，激发创造

OntoProtein: 基因本体嵌入的蛋白质预训练

OntoProtein 是第一个将 GO 结构应用于蛋白质预训练的通用框架，通过与知识图谱和蛋白质嵌入的联合优化，能够优化蛋白质表示并在蛋白质相互作用和蛋白质功能预测方面实现更好的性能。

Jan, 2022

RNA-KG: 一个基于本体的知识图谱，用于表示涉及 RNA 分子的相互作用

RNA-KG 是一个包含来自 50 多个公共数据库的 RNAs 的生物知识图谱，集成了与基因、蛋白质和化学物质的功能关系以及本体论基础的生物医学概念；通过利用基于实例的语义抽象知识模型生成 RNA-KG，并对其进行拓扑分析，RNA-KG 可以被直接探索、可视化，或通过计算方法推断其异质节点和边缘中的生物医学知识。

Nov, 2023

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

BioBLP: 多模态生物医学知识图谱学习的模块化框架

提出了一种用于学习具有实体属性的知识图谱嵌入的模块化框架，其中模块可以对不同模态的属性数据进行编码，并且支持具有缺失属性的实体。在使用包含大约两百万三元组的生物医学 KG 进行训练和评估时，发现在给定低程度实体的情况下，与不考虑属性数据的基准方法相比，该方法在药物 - 蛋白质相互作用预测任务中的表现较好。

Jun, 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

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

多模态知识图谱

MMKG 是一个包含数字特征和图像链接的三个知识图谱集合，可以帮助多重关系链接预测和实体匹配社区，并且具有潜力促进知识图谱的新型多模态学习方法的发展。我们通过大量实验验证了 MMKG 在同 As 链接预测任务中的效用，并显示出多元特征类型学习对这一任务的益处。

Mar, 2019

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

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

Gode：将生化知识图谱整合到预训练分子图神经网络中

本文提出了一种新的方法，将单个分子结构的图形表示与生物医学知识图的多领域信息相结合，利用自监督策略进行预训练，成功地应用于化学性质预测任务，取得了超过现有最先进模型的表现。

Jun, 2023