针对 Covid-19 的药品再利用知识图谱分析
为了应对 COVID-19,我们开发了一个全新的综合性知识发现框架 COVID-KG,从科学文献中提取了细粒度的多媒体知识元素,并利用构建的多媒体知识图谱用于问答和报告生成,以药物再利用为案例研究。该框架还提供了详细的上下文句子,子图和知识子图作为证据。
Jul, 2020
该论文提出了一种归纳方法的关系图卷积神经网络 (inductive RGCN),帮助在少样本训练时学习有效的关系嵌入,特别是在药物发现中的应用,利用该方法进行 COVID-19 的药物发现任务并发现了多个候选药物。
Jul, 2020
该论文介绍了一种名为 medicX 的端到端框架,它将来自公共药物库的多种药物特征集成到一个知识图谱中,并使用各种翻译、分解和神经网络方法嵌入图谱中的节点,最终使用机器学习算法来预测未知的药物相互作用。
Aug, 2023
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
利用基于图形的自动编码器进行多特征类型聚类的无监督机器学习框架发现 COVID-19 药物再利用的三个感兴趣的簇,并推荐了前 15 种药物,其中包括大量正在进行临床试验的药物。
Jun, 2023
通过研究药物再利用的假设生成工具,并结合基于实验室实验和生物医学文献的半自动解析的验证流程,本文介绍了一种基于生物医学知识图谱和超图表示学习的计算方法,用于推断各种长度的生物通路的上下文嵌入,并评估药物在多种疾病的再利用潜力。
Nov, 2023
本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法,用于预测药物相互作用的风险,融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练,并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现,通过三个最佳分类器的模型平均集成方法,在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。
Aug, 2019
通过利用药物再定位候选药物的技术潜力和科学证据,通过构建科学生物医学知识图谱和药物专利知识图谱的关联关系,并使用图嵌入协议来评估与目标疾病相关的专利的技术潜力,本研究旨在桥接计算发现与药物再定位研究中成功的市场应用之间的差距。
Sep, 2023
使用知识图谱、机器学习和深度学习等工具,分析 COVID-19 相关的 PubMed 数据集和 CORD-19 数据集,发现专家、生物实体,预测相关疾病、药物候选者、基因突变和相关化合物,从而帮助生物医学研究人员应对 COVID-19 大流行。
Jul, 2020
本文提出了一个名为 BioGRER 的方法,该方法综合了知识图谱嵌入和逻辑规则,以改进生物医学知识图谱的质量,并在 COVID-19 知识图谱上获得了有竞争力的结果。
Dec, 2020