生物知识图谱拓扑结构对基于经典嵌入的链接预测的影响

《BMC Bioinformatics》：The effects of biological knowledge graph topology on classical embedding-based link prediction

　　

摘要

由于关于罕见疾病及其致病变异体的信息有限，知识图谱常被用来增强我们的理解并推断新的基因-疾病关联。传统的知识图谱嵌入方法结合固定的评分函数已成功应用于各种生物医学链接预测任务，但尚未被用于罕见疾病变异体的优先级排序。在这里，我们以Monarch知识图谱作为典型案例研究，探讨了知识图谱拓扑结构对传统知识图谱嵌入链接预测性能的影响，并质疑了大规模聚合知识图谱有助于解析罕见疾病病例并改善预测结果的假设。我们发现，使用仅包含原始大小11%的过滤后的Monarch知识图谱版本，模型的预测性能显著提升。此外，这些发现表明，成功的知识图谱优化依赖于选择高质量的信息，而不仅仅是最大化数据量。