Artykuł metodologiczny

Podejście oparte na grafie wiedzy w celu wyjaśnienia roli szlaków organellarnych w chorobie za pomocą raportów biomedycznych

DOI:

10.3791/65084

⸱

13 października 2023

 ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  ,  , 
1Department of Physiology, UCLA School of Medicine, 2Scalable Analytics Institute (ScAi) at Department of Computer Science, UCLA School of Engineering, 3NIH BRIDGE2AI Center at UCLA & NHLBI Integrated Cardiovascular Data Science Training Program, UCLA, 4Medical Informatics, University of California at Los Angeles (UCLA), 5Department of Medicine (Cardiology), UCLA School of Medicine

W tym artykule

Podsumowanie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Przedstawiono protokół obliczeniowy, CaseOLAP LIFT, oraz przypadek użycia do badania białek mitochondrialnych i ich powiązań z chorobami sercowo-naczyniowymi, jak opisano w raportach biomedycznych. Protokół ten można łatwo dostosować do badania wybranych przez użytkownika składników komórkowych i chorób.

Streszczenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Szybko rosnąca i ogromna ilość raportów biomedycznych, z których każdy zawiera liczne jednostki i bogate informacje, stanowi bogate źródło dla zastosowań biomedycznych do eksploracji tekstów. Narzędzia te umożliwiają badaczom integrację, konceptualizację i przełożenie tych odkryć w celu uzyskania nowych informacji na temat patologii chorób i terapii. W tym protokole przedstawiamy CaseOLAP LIFT, nowy potok obliczeniowy do badania komponentów komórkowych i ich powiązań chorobowych poprzez wyodrębnianie wybranych przez użytkownika informacji z tekstowych zestawów danych (np. literatury biomedycznej). Oprogramowanie identyfikuje białka subkomórkowe i ich funkcjonalnych partnerów w dokumentach istotnych dla choroby. Dodatkowe dokumenty związane z chorobą są identyfikowane za pomocą metody imputacji etykiet oprogramowania. Aby nadać kontekst wynikowym powiązaniom białko-choroba i zintegrować informacje z wielu istotnych zasobów biomedycznych, automatycznie tworzony jest wykres wiedzy do dalszych analiz. Przedstawiamy jeden przypadek użycia z korpusem ~ 34 milionów dokumentów tekstowych pobranych online, aby podać przykład wyjaśnienia roli białek mitochondrialnych w różnych fenotypach chorób sercowo-naczyniowych przy użyciu tej metody. Co więcej, model głębokiego uczenia został zastosowany do wynikowego wykresu wiedzy, aby przewidzieć wcześniej nieraportowane relacje między białkami a chorobą, w wyniku czego uzyskano 1 583 powiązania z przewidywanym prawdopodobieństwem >0,90 i z obszarem pod krzywą charakterystyki operacyjnej odbiornika (AUROC) wynoszącym 0,91 na zestawie testowym. To oprogramowanie oferuje wysoce konfigurowalny i zautomatyzowany przepływ pracy, z szerokim zakresem surowych danych dostępnych do analizy; W związku z tym, korzystając z tej metody, można zidentyfikować powiązania białko-choroba ze zwiększoną wiarygodnością w korpusie tekstowym.

Wprowadzenie

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Badanie białek związanych z chorobą poszerza wiedzę naukową na temat patogenezy i pomaga zidentyfikować potencjalne terapie. Kilka dużych korpusów tekstowych publikacji biomedycznych, takich jak 34 miliony artykułów PubMed zawierających tytuły publikacji, streszczenia i dokumenty pełnotekstowe, informuje o nowych odkryciach, które łączą białka z chorobami. Jednak odkrycia te są rozdrobnione w różnych źródłach i muszą zostać zintegrowane, aby uzyskać nowe informacje biomedyczne. Istnieje kilka zasobów biomedycznych, które integrują powiązania białkowo-chorobowe1,2,3,4,5,6,7. Jednak te wyselekcjonowane zasoby są często niekompletne i mogą nie obejmować najnowszych wyników badań. Podejścia oparte na eksploracji tekstu są niezbędne do wyodrębnienia i zsyntetyzowania powiązań białko-choroba w dużych korpusach tekstowych, co skutkowałoby bardziej wszechstronnym zrozumieniem tych koncepcji biomedycznych w literaturze naukowej.

Istnieje wiele podejść do eksploracji tekstu biomedycznego, które pozwalają odkryć zależności między białkami a chorobami8,9,10,11,12,13,14i inne przyczyniają się częściowo do określenia tych zależności, identyfikując białka, choroby lub inne jednostki biomedyczne wymienione w text13,15,16,17,18,19. Jednak wiele z tych narzędzi nie ma dostępu do najbardziej aktualnej literatury, z wyjątkiem kilku, które są okresowo aktualizowane8,11,13,15. Podobnie, wiele narzędzi ma również ograniczony zakres badań, ponieważ są one ograniczone do szerokich, predefiniowanych chorób lub białek9,13. Kilka podejść jest również podatnych na identyfikację fałszywych alarmów w tekście; Inni rozwiązali te problemy za pomocą interpretowalnej i globalnej czarnej listy nazw białek9,11 lub mniej interpretowalnych technik rozpoznawania jednostek nazw15,20. Podczas gdy większość zasobów przedstawia tylko wstępnie obliczone wyniki, niektóre narzędzia oferują interaktywność za pośrednictwem aplikacji internetowych lub dostępnego oprogramowania code8,9,11.

Aby rozwiązać powyższe ograniczenia, przedstawiamy następujący protokół, CaseOLAP z imputacją etykiety i pełnym tekstem (CaseOLAP LIFT), jako elastyczną i konfigurowalną platformę do badania powiązań między białkami (np. białkami związanymi z komponentem komórkowym) a chorobami z tekstowych zestawów danych. Platforma ta oferuje zautomatyzowaną selekcję białek specyficznych dla ontologii genów (GO) (np. białek specyficznych dla organelli), imputację brakujących etykiet tematów dokumentów, analizę dokumentów pełnotekstowych, a także narzędzia analityczne i predykcyjne (Rysunek 1, Rysunek 2 i Tabela 1). CaseOLAP LIFT selekcjonuje białka specyficzne dla organelli przy użyciu terminów GO dostarczonych przez użytkownika (np. przedział organelli) i funkcjonalnie powiązanych białek za pomocą STRING21, Reactome22 i GRNdb23. Dokumenty dotyczące badania choroby są identyfikowane za pomocą etykiet nagłówka tematu medycznego (MeSH) z adnotacjami PubMed. W przypadku ~15,1% dokumentów bez etykiet etykiety są przypisywane, jeśli w tytule znajduje się co najmniej jeden synonim terminu MeSH lub co najmniej dwa znajdują się w streszczeniu. Dzięki temu wcześniej nieskategoryzowane publikacje mogą zostać uwzględnione w analizie eksploracji tekstu. CaseOLAP LIFT pozwala również użytkownikowi na wybór sekcji publikacji (np. tylko tytuły i abstrakty, pełny tekst lub pełny tekst z wyłączeniem metod) w określonym przedziale czasowym (np. 2012-2022). Oprogramowanie półautomatycznie tworzy również czarną listę nazw białek dla danego przypadku użycia, co znacznie zmniejsza liczbę fałszywie dodatnich powiązań białko-choroba obecnych w innych podejściach. Ogólnie rzecz biorąc, ulepszenia te umożliwiają większe możliwości dostosowywania i automatyzacji, zwiększają ilość danych dostępnych do analizy i zapewniają bardziej pewne powiązania białko-choroba z dużych korpusów tekstu biomedycznego.

CaseOLAP LIFT zawiera wiedzę biomedyczną i reprezentuje relacje różnych koncepcji biomedycznych za pomocą grafu wiedzy, który jest wykorzystywany do przewidywania ukrytych relacji na wykresie. Ostatnio metody obliczeniowe oparte na grafach zostały zastosowane w środowiskach biologicznych, w tym w integracji i organizowaniu koncepcji biomedycznych24,25, zmiana przeznaczenia i rozwój leków26,27,28, oraz do podejmowania decyzji klinicznych na podstawie danych proteomicznych29.

Aby zademonstrować użyteczność CaseOLAP LIFT w kontekście konstruowania grafu wiedzy, przedstawiamy przypadek użycia dotyczący badania powiązań między białkami mitochondrialnymi a ośmioma kategoriami chorób sercowo-naczyniowych. Przeanalizowano dowody z ~ 362 000 dokumentów związanych z chorobą w celu zidentyfikowania najważniejszych białek mitochondrialnych i szlaków związanych z chorobami. Następnie białka te, ich funkcjonalnie powiązane białka oraz wyniki eksploracji tekstu zostały włączone do grafu wiedzy. Wykres ten został wykorzystany w analizie predykcji powiązań opartej na głębokim uczeniu się do przewidywania powiązań między białkami a chorobami, które do tej pory nie zostały zgłoszone w publikacjach biomedycznych.

Sekcja wprowadzająca opisuje podstawowe informacje i cele naszego protokołu. W poniższej sekcji opisano kroki protokołu obliczeniowego. Następnie opisano reprezentatywne wyniki tego protokołu. Na koniec pokrótce omówimy przypadki użycia protokołu obliczeniowego, zalety, wady i przyszłe zastosowania.

Protokół

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. Uruchamianie kontenera docker

  1. Pobierz kontener docker CaseOLAP LIFT, korzystając z okna terminala i wpisując docker pull caseolap/caseolap_lift:latest.
  2. Utwórz katalog, w którym będą przechowywane wszystkie dane i dane wyjściowe programu (np. mkdir caseolap_lift_shared_folder).
  3. Uruchom kontener platformy docker za pomocą polecenia docker run --name caseolap_lift -it -v PATH_TO_FOLDER:/caseolap_lift_shared_folder caseolap/caseolap_lift:latest bash z PATH_TO_FOLDER jako pełną ścieżką do pliku (np. /Users/caseolap/caseolap_lift_shared_folder). Przyszłe polecenia z sekcji 2 będą wydawane w tym oknie terminala.
  4. Rozpocznij wyszukiwanie elastyczne w kontenerze. W nowym oknie terminalu wpisz docker exec -it --user elastic caseolap_lift bash /workspace/start_elastic_search.sh.
    UWAGA: W tym protokole CaseOLAP LIFT jest uruchamiany interaktywnie, a każdy krok jest wykonywany sekwencyjnie. Analizę tę można również wykonać od początku do końca, przekazując ją jako plik parameters.txt. parameters.txt użyte w tym badaniu znajdują się w /workspace/caseolap_lift/parameters.txt. Aby uzyskać więcej informacji na temat każdego kroku, uruchom polecenie z flagą --help lub zapoznaj się z dokumentacją w repozytorium GitHub (https://github.com/CaseOLAP/caseolap_lift).

2. Przygotowanie chorób i białek

  1. Przejdź do folderu caseolap_lift za pomocą polecenia cd /workspace/caseolap_lift
  2. Upewnij się, że łącza pobierania w config/knowledge_base_links.json są aktualne i dokładne dla najnowszej wersji każdego zasobu bazy wiedzy. Domyślnie pliki są pobierane tylko raz; Aby zaktualizować te pliki i ponownie je pobrać, uruchom krok przetwarzania wstępnego za pomocą opcji -r w kroku 2.4.
  3. Określ termin GO i kategorie chorób, które mają być używane w tym badaniu. Znajdź identyfikatory wszystkich terminów GO i identyfikatorów MeSH odpowiednio w http://geneontology.org/ i https://meshb.nlm.nih.gov/.
  4. Uruchom moduł przetwarzania wstępnego przy użyciu opcji wiersza polecenia. Ten etap wstępnego przetwarzania gromadzi określone choroby, wymienia białka do zbadania i gromadzi synonimy białek do eksploracji tekstu. Wskaż zdefiniowane przez użytkownika badane terminy GO za pomocą flagi -c i numery drzewa choroby MeSH za pomocą flagi -d i określ skróty za pomocą -a.
    Przykładowe polecenie:
    python caseolap_lift.py przetwarzanie wstępne -a "CM ARR CHD VD IHD CCD VOO OTH" -d "C14.280.238,C14.280.434 C14.280.067,C23.550.073 C14.280.400 C14.280.484 C14.280.647 C14.280.123 C14.280.955 C14.280.195,C14.280.282,C14.280.383,C14.280.470,
    C14.280.945,C14.280.459,C14.280.720" -c "GO:0005739" --include-synonimy --include-ppi -k 1 -s 0.99 --include-pw -n 4 -r 0.5 --include-tfd
  5. Sprawdź pliki categories.txt, core_proteins.txt i proteins_of_interest.txt z poprzedniego kroku w folderze wyjściowym. Upewnij się, że wszystkie kategorie chorób w categories.txt są prawidłowe i że w core_proteins.txt i proteins_of_interest.txt zidentyfikowano rozsądną ilość białek. W razie potrzeby powtórz krok 2.4 i zmodyfikuj parametry tak, aby obejmowały większą lub mniejszą liczbę białek.
    UWAGA: Liczba białek uwzględnionych w badaniu jest określana przez flagi --include-ppi, --include-pw i --include-tfd, aby uwzględnić odpowiednio interakcje białko-białko, białka ze wspólnymi szlakami reaktomii i białka z zależnością od czynnika transkrypcyjnego. Ich specyficzna funkcjonalność jest określana za pomocą dodatkowych flag, takich jak -k, -s, -n i -r (zobacz dokumentację).

3. Eksploracja tekstu

  1. Upewnij się, że pliki categories.txt, core_proteins.txt i proteins_of_interest.txt z poprzedniego kroku znajdują się w folderze wyjściowym. Użyj tych plików jako danych wejściowych do eksploracji tekstu. Opcjonalnie dostosuj konfiguracje dotyczące analizowania i indeksowania dokumentów w folderze konfiguracji. Zobacz poprzednią wersję protokołu CaseOLAP, aby uzyskać więcej informacji na temat konfiguracji i rozwiązywania problemów8.
  2. Wykonaj moduł wyszukiwania tekstu za pomocą caseolap_lift.py text_mining języka Python. Dodaj flagę -l, aby przypisać tematy dokumentów bez kategorii, oraz flagę -t, aby pobrać pełny tekst dokumentów związanych z chorobą. Inne opcjonalne flagi określają zakres dat publikacji do pobrania (-d) i udostępniają opcje filtrowania nazw białek (opisane w kroku 3.3). Próbka przeanalizowanego dokumentu jest pokazana w Rysunek 3.
    Przykładowe polecenie: python caseolap_lift.py text_mining -d "2012-10-01,2022-10-01" -l -t
    UWAGA: Większość czasu protokołu obliczeniowego poświęca się na krok 3.2, który może potencjalnie trwać ponad 24 godziny. Czas wykonywania będzie zależał od rozmiaru korpusu tekstowego do pobrania, który będzie również zależał od zakresu dat i tego, czy włączone jest imputowanie etykiet i funkcja pełnotekstowa.
  3. (Zalecane) Przesiewaj nazwy białek. Nazwy białek zidentyfikowane w publikacjach związanych z chorobą przyczyniają się do powiązań z chorobami białkowymi, ale są podatne na wyniki fałszywie dodatnie (tj. homonimy z innymi słowami). Aby rozwiązać ten problem, wymień możliwe homonimy na czarnej liście (config/remove_these_synonyms.txt), aby zostały wykluczone z dalszych kroków.
    1. Znajdź nazwy do sprawdzenia: W folderze wyników znajdź nazwy białek o najwyższej częstości w obszarze all_proteins lub core_proteins (ranked_synonyms/ranked_synonyms_TOTAL.txt) oraz nazwy białek z najwyższymi wynikami w folderach w ranked_proteins w zależności od interesujących Cię wyników. Jeśli istnieje wiele nazw, nadaj priorytet inspekcji najwyżej ocenianych nazw.
    2. Sprawdź nazwy: Wpisz python caseolap_lift.py text_mining -c, a następnie nazwę białka, aby wyświetlić do 10 publikacji zawierających nazwy. Następnie dla każdej nazwy sprawdź, czy nazwa jest specyficzna dla białka.
    3. Przelicz wyniki: Wpisz python caseolap_lift.py text_mining -s. Powtarzaj kroki 3.1, 3.2 i 3.3, aż nazwy w kroku 3.1 będą poprawne.

4. Analiza wyników

  1. Upewnij się, że wyniki wyszukiwania tekstu znajdują się w folderze wyników (np. katalogi wynik/all_proteins i wynik/core_proteins oraz powiązane pliki), który będzie używany jako dane wejściowe dla kroku analizy. W szczególności wynik wskazujący na siłę każdego związku białko-choroba jest podawany w caseolap.csv wynikach eksploracji tekstu. Wskaż, który zestaw wyników wyszukiwania tekstu ma zostać użyty do analizy, określając --analyze_core_proteins , aby uwzględnić tylko białka związane z GO, lub --analyze_all_proteins , aby uwzględnić wszystkie funkcjonalnie powiązane białka.
  2. Zidentyfikuj najważniejsze białka i szlaki dla każdej choroby. Znaczące powiązania białko-choroba definiuje się jako te, których wyniki przekraczają określony próg. Wskaźnik Z przekształca wyniki CaseOLAP w ramach każdej kategorii choroby i traktuje białka z wynikami powyżej określonego progu (wskazywanego przez flagę -z) jako znaczące.
    UWAGA: Szlaki biologiczne istotne dla każdej choroby są identyfikowane automatycznie przy użyciu istotnych białek jako danych wejściowych do analizy szlaku reaktomowego. Wszystkie takie białka są zgłaszane w wynikowym result_table.csv w folderze analysis_results, a odpowiednie dane liczbowe i wyniki analizy ścieżki są automatycznie generowane w folderze analysis_results.
    Przykładowe polecenie: python caseolap_lift.py analyze_results -z 3.0 --analyze_core_proteins
  3. Przejrzyj wyniki analizy i dostosuj je w razie potrzeby. Liczba białek, a tym samym wzbogacone szlaki reaktomii istotne dla każdej kategorii choroby, zależą od progu z-score zastosowanego w analizie. Tabela z-score, wygenerowana na wyjściu/analysis_results/zscore_cutoff_table.csv, wskazuje liczbę białek istotnych dla każdej kategorii choroby, aby pomóc w wyborze jak najwyższego progu z-score, jednocześnie dając kilka białek istotnych dla każdej kategorii choroby.

5. Analiza predykcyjna

  1. Skonstruuj graf wiedzy.
    1. Upewnij się, że wymagane pliki znajdują się w folderze wyników, w tym w folderze kg wygenerowanym na podstawie przetwarzania wstępnego (krok 2.4) i caseolap.csv z wyników wyszukiwania tekstu w folderach all_proteins lub core_proteins (krok 3.2).
    2. Zaprojektuj wykres wiedzy. W zależności od zadania podrzędnego dołącz lub wyklucz składniki kompletnego grafu wiedzy. Graf wiedzy składa się z wyników chorób białkowych z eksploracji tekstu i połączeń z zasobami bazy wiedzy użytymi w kroku 2.4 (Rysunek 4). Uwzględnij drzewo chorób MeSH z flagą --include_mesh, interakcje białko-białko z STRING z --include_ppi, współdzielone szlaki reaktomu z --include_pw, a zależność od czynnika transkrypcyjnego z GRNdb/GTEx z --include_tfd.
    3. Uruchom moduł budowy grafu wiedzy. Wskaż, który zestaw wyników wyszukiwania tekstu ma być używany do analizy, określając --analyze_core_proteins , aby uwzględnić tylko białka związane z GO-term lub --analyze_all_proteins , aby uwzględnić wszystkie funkcjonalnie powiązane białka. Domyślnie surowe wyniki CaseOLAP są ładowane jako wagi krawędzi między węzłami białka i choroby; Aby przeskalować grubości krawędzi, wskaż --use_z_score lub nieujemne współczynniki Z za pomocą --scale_z_score.
      Przykładowe polecenie: python caseolap_lift.py prepare_knowledge_graph --scale_z_score
  2. Przewidywanie nowych powiązań między białkami a chorobami.
    1. Upewnij się, że pliki grafu wiedzy, merged_edges.tsv i merged_nodes.tsv, są danymi wyjściowymi z poprzedniego kroku (krok 5.1.3).
    2. Uruchom skrypt predykcyjny grafu wiedzy, aby przewidzieć powiązania białko-choroba, które do tej pory nie zostały zgłoszone w literaturze naukowej, wpisując python kg_analysis/run_kg_analysis.py. Jest to zaimplementowane za pomocą GraPE30 i wykorzystuje DistMult31 do tworzenia osadzonych grafów wiedzy, które wielowarstwowy perceptron wykorzystuje do przewidywania powiązań białko-choroba. W folderze output/kg_analysis zapisywane są przewidywania z przewidywanym prawdopodobieństwem >0,90 (predictions.csv) i metrykami oceny modelu (eval_results.csv).
      UWAGA: W niniejszej pracy wybrane parametry modelu (np. metoda osadzania, model predykcji linków, hiperparametry) zostały dostosowane do reprezentatywnego badania. Kod ten służy jako przykład i punkt wyjścia do innych analiz. Aby zapoznać się z parametrami modelu, zapoznaj się z dokumentacją GraPE (https://github.com/AnacletoLAB/grape).

Wyniki

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Reprezentatywne wyniki zostały uzyskane zgodnie z tym protokołem w celu zbadania powiązań między białkami mitochondrialnymi (Tabela 2) a ośmioma kategoriami chorób sercowo-naczyniowych (Tabela 3). W tych kategoriach znaleźliśmy 363 567 publikacji opublikowanych od 2012 r. do października 2022 r. (362 878 skategoryzowanych według metadanych MeSH, 6 923 skategoryzowanych według imputacji etykiet). Wszystkie publikacje miały tytuły, 276 524 miały abstrakty, a 51 065 miało dostępne pełne teksty. Ogólnie rzecz biorąc, 584 z 1687 badanych białek mitochondrialnych zostało zidentyfikowanych w publikacjach, podczas gdy 3284 z 8026 badanych funkcjonalnie powiązanych białek zostało zidentyfikowanych. W sumie zidentyfikowano 14 unikalnych białek ze znaczącymi wynikami we wszystkich kategoriach choroby, z progiem z-score wynoszącym 3,0 (Ryc. 5). Analiza szlaku Reactome tych białek ujawniła 12 szlaków istotnych dla wszystkich chorób (Ryc. 6). Wszystkie białka, szlaki, choroby i wyniki zostały zintegrowane w grafie wiedzy (Tabela 4). Ten wykres wiedzy został wykorzystany do przewidzenia 12 688 nowych powiązań białkowych z chorobami i przefiltrowany z wynikiem prawdopodobieństwa 0,90, aby uzyskać 1 583 prognozy o wysokim poziomie pewności. Wyróżniony przykład dwóch powiązań białko-choroba jest pokazany na Rysunek 7, zilustrowany w kontekście innych istotnych jednostek biologicznych funkcjonalnie związanych z białkami. Metryki oceny modelu przedstawiono w tabeli 5.

figure-results-1
Rysunek 1: Dynamiczny widok przepływu pracy. Na tym rysunku przedstawiono cztery główne kroki w tym przepływie pracy. Po pierwsze, odpowiednie białka są selekcjonowane na podstawie terminów GO dostarczonych przez użytkownika (np. składniki komórkowe), a kategorie chorób są przygotowywane na podstawie dostarczonych przez użytkownika identyfikatorów choroby MeSH. Po drugie, powiązania między białkami a chorobami są obliczane na etapie eksploracji tekstu. Publikacje w określonym zakresie dat są pobierane i indeksowane. Publikacje badające chorobę są identyfikowane (za pomocą etykiet MeSH i opcjonalnie za pomocą etykiet imputowanych), a ich pełne teksty są pobierane i indeksowane. Nazwy białek są wyszukiwane w publikacjach i wykorzystywane do obliczania wyników asocjacji białko-choroba. Następnie, po eksploracji tekstu, wyniki te pomagają zidentyfikować najważniejsze powiązania białek i szlaków. Na koniec konstruowany jest wykres wiedzy obejmujący te białka, choroby i ich relacje w bazie wiedzy biomedycznej. Nowe powiązania białko-choroba są przewidywane na podstawie skonstruowanego wykresu wiedzy. W tych krokach wykorzystywane są najnowsze dostępne dane z baz wiedzy biomedycznej i PubMed. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-2
Rysunek 2: Techniczna architektura przepływu pracy. Szczegóły techniczne tego przepływu pracy przedstawiono na poniższym rysunku. Użytkownik podaje numery drzew MeSH kategorii chorób i terminów GO. Dokumenty tekstowe są pobierane z PubMed, dokumenty związane z chorobą są identyfikowane na podstawie dostarczonych etykiet MeSH, a dokumenty bez etykiet MeSH wskazujących temat otrzymują przypisane etykiety kategorii. Białka związane z podanymi terminami GO są pozyskiwane. Ten zestaw białek został rozszerzony o białka, które są funkcjonalnie powiązane poprzez interakcje białko-białko, wspólne szlaki biologiczne i zależność od czynników transkrypcyjnych. Białka te są wyszukiwane w dokumentach istotnych dla choroby i oceniane za pomocą CaseOLAP. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-3
Rysunek 3: Przykład przetworzonego dokumentu. Poniżej przedstawiono przykład przetworzonego, indeksowanego dokumentu tekstowego. W odpowiedniej kolejności odpowiednie pola wskazują nazwę indeksu (_index, _type), identyfikator PubMed (_id, pmid), podsekcje dokumentu (tytuł, streszczenie, full_text, wprowadzenie, metody, wyniki, dyskusja) oraz inne metadane (rok, MeSH, lokalizacja, czasopismo). Tylko w celu wyświetlenia podsekcje dokumentu są obcinane za pomocą wielokropka. Pole MeSH zawiera tematy dokumentów, które czasami mogą być dostarczane przez nasz krok imputacji etykiety. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-4
Rysunek 4: Schemat grafu wiedzy i zasoby biomedyczne. Ten rysunek przedstawia schemat grafu wiedzy. Każdy węzeł i krawędź reprezentują odpowiednio węzeł lub typ krawędzi. Granice między chorobami sercowo-naczyniowymi (CVD) a białkami są ważone za pomocą wyników CaseOLAP. Krawędzie interakcji białko-białko (PPI) są ważone przez wyniki ufności STRING. Krawędzie zależności od czynnika transkrypcyjnego (TFD) pochodzące z GRNdb/GTEx, krawędzie drzewa chorób pochodzące z MeSH i krawędzie szlaku pochodzące z reaktomu są nieważone. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-5
Rysunek 5: Najważniejsze powiązania białkowo-chorobowe. Rysunek ten przedstawia białka mitochondrialne istotne dla każdej kategorii choroby. Transformację Z-score zastosowano do wyników CaseOLAP w każdej kategorii w celu zidentyfikowania istotnych białek przy użyciu progu 3,0. (Góra) Liczba białek mitochondrialnych istotnych dla każdej choroby: Te wykresy skrzypcowe przedstawiają rozkład z-score dla białek w każdej kategorii choroby. Całkowita liczba białek istotnych dla każdej kategorii choroby jest przedstawiona powyżej każdego wykresu skrzypiec. W sumie 14 unikalnych białek zostało zidentyfikowanych jako istotne we wszystkich chorobach, a niektóre białka były istotne dla wielu chorób. (Na dole) Białka z najwyższą oceną: Mapa cieplna wyświetla 10 najlepszych białek, które uzyskały najwyższe średnie wyniki z we wszystkich chorobach. Wartości ślepej próby nie reprezentują uzyskanego wyniku między białkiem a chorobą. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-6
Rysunek 6: Najważniejsze powiązania między szlakiem a chorobą. Rysunek ten ilustruje najważniejsze szlaki biologiczne związane z badanymi kategoriami chorób, określone za pomocą analizy szlaków reaktomowych. Wszystkie analizy ścieżek zostały przefiltrowane za pomocą p < 0,05. Wartości mapy cieplnej reprezentują średni wskaźnik z wszystkich białek w szlaku. (Góra) Szlaki zachowane we wszystkich chorobach: Ogólnie rzecz biorąc, zidentyfikowano 14 białek mających znaczenie dla wszystkich kategorii chorób i ujawniono 12 konserwatywnych szlaków we wszystkich kategoriach chorób. Dendrogram został skonstruowany w oparciu o hierarchiczną strukturę szlaku, aby połączyć szlaki o podobnych funkcjach biologicznych. Wysokość dendrogramu reprezentuje względną głębokość w hierarchii szlaku; Szerokie funkcje biologiczne mają dłuższe kończyny, a bardziej specyficzne ścieżki mają krótsze kończyny. (Na dole) Szlaki odrębne dla danej kategorii choroby: Analizę szlaków przeprowadzono przy użyciu białek, które osiągnęły znaczący wskaźnik Z w każdej chorobie. Trzy najważniejsze szlaki z najniższymi wartościami p związanymi z każdą chorobą są pokazane i oznaczone gwiazdkami. Szlaki mogą znajdować się w pierwszej trójce w wielu chorobach. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

figure-results-7
Rysunek 7: Zastosowanie głębokiego uczenia do uzupełniania grafów wiedzy. Przykład zastosowania uczenia głębokiego do wykresu wiedzy specyficznego dla choroby przedstawiono na poniższym rysunku. Przewiduje się ukryte związki między białkami a chorobą, które są oznaczone kolorem niebieskim. Wyświetlane są obliczone prawdopodobieństwa dla obu przewidywań, z wartościami z zakresu od 0,0 do 1,0, przy czym 1,0 oznacza silną prognozę. Uwzględniono kilka białek o znanych interakcjach, reprezentujących interakcje białko-białko, zależność od czynnika transkrypcyjnego i wspólne szlaki biologiczne. W celu wizualizacji pokazano podgraf kilku węzłów związanych z wyróżnionym przykładem. Klucz: IHD = choroba niedokrwienna serca; R-HSA-1430728 = metabolizm; O14949 = podjednostka 8 kompleksu cytochromu b-c1; P17568 = dehydrogenaza NADH (ubichinon) 1 podjednostka beta podkompleksu 7; Q9NYF8 Czynnik transkrypcyjny 1 związany z Bcl-2, wynik: 7,24 x 10−7; P49821 = dehydrogenaza NADH (ubichinon) flawoproteina 1, mitochondrialna, wynik: 1,06 x 10−5; P31930 = podjednostka 1 kompleksu cytochromu b-c1, mitochondrialna, wynik: 4,98 x 10−5; P99999 = cytochrom c, wynik: 0,399. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Tabela 1: Etapy przepływu pracy i ograniczania szybkości. W poniższej tabeli przedstawiono przybliżone szacunki czasu obliczeniowego dla każdego etapu przepływu pracy. Opcje dołączania składników potoku spowodują zmianę całkowitego czasu wykonywania wymaganego do ukończenia analizy. Całkowity szacowany czas różni się w zależności od dostępnych zasobów obliczeniowych, w tym specyfikacji sprzętu i ustawień oprogramowania. Z grubsza szacuje się, że wykonanie protokołu na naszym serwerze obliczeniowym zajęło 36 godzin aktywnego czasu działania, z sześcioma rdzeniami, 32 GB pamięci RAM i 2 TB pamięci masowej, ale na innych urządzeniach może to być szybsze lub wolniejsze. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 2: Automatyczne składanie białek składnika komórkowego. Poniższa tabela przedstawia liczbę białek związanych z danym komponentem komórkowym (tj. termin GO), białek funkcjonalnie z nimi związanych poprzez interakcje białko-białko (PPI), wspólne szlaki (PW) i zależność od czynnika transkrypcyjnego (TFD). Liczba białek ogółem to liczba białek ze wszystkich poprzednich kategorii łącznie. Wszystkie funkcjonalnie powiązane białka uzyskano przy użyciu domyślnych parametrów CaseOLAP LIFT. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 3: Statystyki imputacji etykiet MeSH. W tej tabeli przedstawiono kategorie chorób, numery drzew MeSH używane jako termin nadrzędny dla wszystkich chorób uwzględnionych w kategorii, liczbę artykułów PubMed znalezionych w każdej kategorii w latach 2012-2022 oraz liczbę dodatkowych artykułów uwzględnionych na podstawie etapu imputacji etykiety. Kliknij tutaj, aby pobrać tę tabelę.

Tabela 4: Statystyki budowy grafu wiedzy. W tej tabeli opisano statystyki dotyczące rozmiaru konstruowanego grafu wiedzy, w tym różnych węzłów i typów krawędzi. Wyniki CaseOLAP reprezentują związek między białkiem a kategorią chorób sercowo-naczyniowych (CVD). Kliknij tutaj, aby pobrać tę tabelę.

Tabela 5: Statystyki przewidywania wykresów wiedzy i walidacje. W tej tabeli przedstawiono metryki oceny dla przewidywania powiązań grafu wiedzy dotyczących nowych/ukrytych powiązań białko-choroba. Krawędzie grafu wiedzy zostały podzielone na zestawy danych treningowych i testowych 70/30, a łączność grafów krawędzi została zachowana w obu zestawach danych. Dokładność wskazuje proporcję przewidywań poprawnie sklasyfikowanych, podczas gdy dokładność zrównoważona koryguje nierównowagę klas. Swoistość wskazuje na odsetek negatywnych przewidywań prawidłowo sklasyfikowanych. Precyzja wskazuje proporcję prawidłowych pozytywnych przewidywań spośród wszystkich pozytywnych przewidywań, podczas gdy przywołanie wskazuje proporcję poprawnych pozytywnych przewidywań spośród wszystkich pozytywnych krawędzi (tj. asocjacji białko-choroba zidentyfikowanych za pomocą eksploracji tekstu). Wynik F1 jest średnią harmoniczną precyzji i kompletności. Obszar pod krzywą charakterystyki operacyjnej odbiornika (AUROC) opisuje, jak dobrze model rozróżnia przewidywania pozytywne i negatywne, przy czym 1,0 oznacza doskonały klasyfikator. Obszar pod krzywą precyzja-kompletność (AUPRC) mierzy kompromis między precyzją a kompletnością przy różnych progach prawdopodobieństwa, przy czym wyższe wartości wskazują na lepszą wydajność. Kliknij tutaj, aby pobrać tę tabelę.

Dyskusja

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

CaseOLAP LIFT umożliwia naukowcom badanie powiązań między białkami funkcjonalnymi (np. białkami związanymi z komponentem komórkowym, procesem biologicznym lub funkcją molekularną) a kategoriami biologicznymi (np. chorobami). Opisany protokół powinien być wykonywany w określonej kolejności, przy czym sekcja protokołu 2 i sekcja protokołu 3 są najbardziej krytycznymi krokami, ponieważ sekcja protokołu 4 i sekcja protokołu 5 zależą od ich wyników. Alternatywą dla sekcji 1 protokołu jest klonowanie kodu CaseOLAP LIFT i uzyskiwanie do niego dostępu z repozytorium GitHub (https://github.com/CaseOLAP/caseolap_lift). Należy zauważyć, że pomimo testowania w trakcie tworzenia oprogramowania, mogą wystąpić błędy. Jeśli tak, krok, który zakończył się niepowodzeniem, należy powtórzyć. Jeśli problem będzie się powtarzał, zaleca się powtórzenie sekcji 1 protokołu, aby upewnić się, że używana jest najnowsza wersja kontenera platformy Docker. Dalsza pomoc jest dostępna przez utworzenie problemu w repozytorium GitHub w celu uzyskania dodatkowej pomocy.

Metoda ta wspomaga generowanie hipotez, umożliwiając badaczom identyfikację interesujących podmiotów i ujawnienie potencjalnych powiązań między nimi, które mogą nie być łatwo dostępne w istniejących zasobach biomedycznych. Uzyskane w ten sposób powiązania białko-choroba pozwalają naukowcom uzyskać nowe informacje dzięki możliwym do zinterpretowania wskaźnikom wyników: wyniki popularności wskazują na najczęściej badane białka w odniesieniu do choroby, wyniki odrębności wskazują na choroby najbardziej unikalne dla białka, a połączony wynik CaseOLAP jest kombinacją tych dwóch. Aby zapobiec fałszywie dodatnim identyfikacjom (np. z powodu homonimów), niektóre narzędzia do eksploracji tekstu wykorzystują czarną listę terminów, aby uniknąć 9,11. Podobnie, CaseOLAP LIFT również wykorzystuje czarną listę, ale pozwala użytkownikowi dostosować czarną listę do swojego przypadku użycia. Na przykład, podczas badania choroby wieńcowej (CAD), "CAD" nie powinien być uważany za nazwę białka "dezoksyrybonukleaza aktywowana kaspazą". Jednak podczas studiowania innych tematów "CAD" może zwykle odnosić się do białka.

CaseOLAP LIFT dostosowuje się do ilości danych dostępnych do eksploracji tekstu. Funkcjonalność zakresu dat zmniejsza obciążenie obliczeniowe i zapewnia elastyczność w generowaniu hipotez (np. badaniu, jak wiedza naukowa na temat związku białko-choroba zmieniała się w czasie). Tymczasem imputacja etykiet i komponenty pełnotekstowe zwiększają zakres danych dostępnych do eksploracji tekstu. Oba komponenty są domyślnie wyłączone w celu zmniejszenia kosztów obliczeniowych, ale użytkownik może zdecydować się na dołączenie dowolnego komponentu. Imputacja etykiety jest konserwatywna i kategoryzuje większość publikacji poprawnie (87% precyzji), ale pomija etykiety innych kategorii (2% zapamiętania). Metoda ta opiera się obecnie na heurystyce opartej na regułach, która dopasowuje słowa kluczowe choroby, a w planach jest zwiększenie wydajności poprzez zastosowanie technik modelowania tematów dokumentów. Ponieważ wiele nieskategoryzowanych raportów to zwykle najnowsze publikacje, badania badające niedawny zakres dat (np. wszystkie publikacje z ostatnich 3 lat) lepiej sprawdzają się poprzez wyłączenie imputacji etykiet. Komponent pełnotekstowy zwiększa wymagania dotyczące środowiska uruchomieniowego i pamięci masowej. Warto zauważyć, że tylko niewielka część dokumentów ma dostępny pełny tekst (~14% dokumentów w naszym badaniu). Zakładając, że nazwy białek wymienione w sekcji metod publikacji są mniej związane z tematami choroby, zaleca się przeszukiwanie artykułów pełnotekstowych z wyłączeniem sekcji metod.

Uzyskane wyniki asocjacji białko-choroba są przydatne w tradycyjnych analizach, takich jak grupowanie, redukcja wymiarowości lub analizy wzbogacania (np. GO, ścieżki), z pewną implementacją zawartą w tym pakiecie oprogramowania. Aby umieścić te wyniki w kontekście istniejącej wiedzy biomedycznej, automatycznie konstruowany jest wykres wiedzy, który można eksplorować za pomocą narzędzi do wizualizacji wykresów (np. Neo4j32, Cytoscape33). Wykres wiedzy może być również wykorzystywany do analiz predykcyjnych (np. przewidywanie powiązań niezgłoszonych relacji białko-choroba, wykrywanie sieci białkowych w społecznościach, metody zbierania nagród za chodzenie po ścieżkach).

Przeanalizowaliśmy wskaźniki oceny modelu dla przewidywanych powiązań białko-choroba (Tabela 5). Model przypisuje wynik prawdopodobieństwa od 0,0 do 1,0 do każdego związku białko-choroba, przy czym wyniki bliższe 1,0 wskazują na wyższy poziom ufności przewidywania. Wewnętrzna ocena wydajności modelu, która opierała się na różnych wskaźnikach, w tym AUROC, dokładności, zrównoważonej dokładności, swoistości i kompletności, wykazała doskonałą ogólną wydajność jego pracy. Jednak ocena wykazała również raczej słaby wynik za precyzję (0,15) modelu, co skutkowało zarówno niższym wynikiem AUPRC, jak i F1. Przyszłe badania mające na celu ulepszenie tej metryki pomogą podnieść ogólną wydajność modelu. Przewidujemy, że można to osiągnąć poprzez wdrożenie bardziej zaawansowanych modeli osadzania grafów wiedzy i predykcji grafów. Opierając się na precyzji modelu wynoszącej 0,15, badacze powinni spodziewać się około 15% pozytywnych identyfikacji; W szczególności spośród wszystkich 12 688 powiązań białko-choroba przewidywanych przez model, około 15% to skojarzenia prawdziwie dodatnie. Można to złagodzić, biorąc pod uwagę tylko powiązania białko-choroba o wysokim wyniku prawdopodobieństwa (np. >0,90); W naszym przypadku użycia filtrowanie z progiem prawdopodobieństwa 0,90 doprowadziło do przewidywań o wysokim poziomie ufności 1 583 asocjacji. Badacze mogą uznać za pomocne ręczne sprawdzenie tych przewidywań w celu zapewnienia wysokiej trafności (patrz rysunek 7 jako przykład). Zewnętrzna ocena naszych przewidywań wykazała, że spośród 310 powiązań białko-choroba z obszernej, wyselekcjonowanej bazy danych DisGeNet19, 103 zostały zidentyfikowane w naszym badaniu eksploracji tekstu, a 88 dodatkowych powiązań zostało przewidywanych przez naszą analizę grafu wiedzy z wynikiem prawdopodobieństwa >0,90.

Ogólnie rzecz biorąc, CaseOLAP LIFT charakteryzuje się zwiększoną elastycznością i użytecznością w projektowaniu niestandardowych analiz powiązań między funkcjonalnymi grupami białek a wieloma kategoriami chorób w korpusach o dużej objętości tekstu. Ten pakiet jest usprawniony w nowym, przyjaznym dla użytkownika interfejsie wiersza poleceń i jest wydawany jako kontener docker, zmniejszając w ten sposób problemy związane z konfiguracją środowisk programistycznych i zależności oprogramowania. Linia produkcyjna CaseOLAP LIFT do badania białek mitochondrialnych w chorobach sercowo-naczyniowych może być łatwo dostosowana; Na przykład przyszłe zastosowania tej techniki mogą obejmować badanie powiązań między dowolnymi białkami związanymi z dowolnymi terminami GO a dowolną kategorią biomedyczną. Co więcej, uszeregowane powiązania białko-choroba zidentyfikowane przez tę platformę eksploracji tekstu są ważne w przygotowaniu zbioru danych do wykorzystania zaawansowanych technik języka naturalnego. Uzyskany w ten sposób wykres wiedzy umożliwia badaczom przekształcenie tych ustaleń w wiedzę biologiczną i stanowi podstawę do dalszych analiz opartych na wykresach.

Oświadczenia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Autorzy nie mają nic do ujawnienia.

Podziękowania

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ta praca była wspierana przez National Institutes of Health (NIH) R35 HL135772 do P.P., NIH T32 HL13945 do A.R.P. i D.S., NIH T32 EB016640 do A.R.P., National Science Foundation Research Traineeship (NRT) 1829071 do A.R.P. i D.S., NIH R01 HL146739 dla I.A., J.R., A.V., K.B. oraz TC Laubisch Endowment dla P.P. na UCLA.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Oprogramowanie - DockerDockerN/Adocker.com

Bibliografia

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. The UniProt Consortium et al. UniProt: The universal protein knowledgebase in 2021. Nucleic Acids Research. 49, D480-D489 (2021).
  2. Davis, A. P., et al. Comparative toxicogenomics database (CTD): Update 2023. Nucleic Acids Research. 51, D1257-D1262 (2023).
  3. Mohtashamian, M., Abeysinghe, R., Hao, X., Cui, L. Identifying missing IS-A relations in orphanet rare disease ontology. Proceedings. IEEE International Conference on Bioinformatics and Biomedicine. 2022, 3274-3279 (2022).
  4. Rehm, H. L., et al. ClinGen - The clinical genome resource. New England Journal of Medicine. 372 (23), 2235-2242 (2015).
  5. Caulfield, M., et al. The National Genomics Research and Healthcare Knowledgebase. , (2019).
  6. Ma, X., Lee, H., Wang, L., Sun, F. CGI: A new approach for prioritizing genes by combining gene expression and protein-protein interaction data. Bioinformatics. 23 (2), 215-221 (2007).
  7. Gutiérrez-Sacristán, A., et al. Text mining and expert curation to develop a database on psychiatric diseases and their genes. Database. 2017, 043(2017).
  8. Sigdel, D., et al. Cloud-based phrase mining and analysis of user-defined phrase-category association in biomedical publications. Journal of Visualized Experiments. (144), e59108(2019).
  9. Yu, K. -H., et al. Systematic protein prioritization for targeted proteomics studies through literature mining. Journal of Proteome Research. 17 (4), 1383-1396 (2018).
  10. Lau, E., et al. Identifying high-priority proteins across the human diseasome using semantic similarity. Journal of Proteome Research. 17 (12), 4267-4278 (2018).
  11. Pletscher-Frankild, S., Pallejà, A., Tsafou, K., Binder, J. X., Jensen, L. J. DISEASES: Text mining and data integration of disease-gene associations. Methods. 74, 83-89 (2015).
  12. Liu, Y., Liang, Y., Wishart, D. PolySearch2: A significantly improved text-mining system for discovering associations between human diseases, genes, drugs, metabolites, toxins and more. Nucleic Acids Research. 43, W535-W542 (2015).
  13. Minot, S. S., Barry, K. C., Kasman, C., Golob, J. L., Willis, A. D. geneshot: Gene-level metagenomics identifies genome islands associated with immunotherapy response. Genome Biology. 22 (1), 135(2021).
  14. Lee, S., et al. BEST: Next-generation biomedical entity search tool for knowledge discovery from biomedical literature. PloS One. 11 (10), 0164680(2016).
  15. Wei, C. -H., Allot, A., Leaman, R., Lu, Z. PubTator central: Automated concept annotation for biomedical full text articles. Nucleic Acids Research. 47 (W1), W587-W593 (2019).
  16. Jimeno-Yepes, A. J., Sticco, J. C., Mork, J. G., Aronson, A. R. GeneRIF indexing: Sentence selection based on machine learning. BMC Bioinformatics. 14 (1), 171(2013).
  17. Wei, C. -H., et al. tmVar 2.0: Integrating genomic variant information from literature with dbSNP and ClinVar for precision medicine. Bioinformatics. 34 (1), 80-87 (2018).
  18. Maglott, D., Ostell, J., Pruitt, K. D., Tatusova, T. Entrez Gene: Gene-centered information at NCBI. Nucleic Acids Research. 33, D54-D58 (2005).
  19. Piñero, J., et al. The DisGeNET knowledge platform for disease genomics: 2019 update. Nucleic Acids Research. 48, D845-D855 (2019).
  20. Lee, J., et al. BioBERT: A pre-trained biomedical language representation model for biomedical text mining. Bioinformatics. 36 (4), 1234-1240 (2020).
  21. Szklarczyk, D., et al. STRING v11: Protein-protein association networks with increased coverage, supporting functional discovery in genome-wide experimental datasets. Nucleic Acids Research. 47, D607-D613 (2019).
  22. Gillespie, M., et al. The reactome pathway knowledgebase 2022. Nucleic Acids Research. 50, D687-D692 (2022).
  23. Fang, L., et al. GRNdb: Decoding the gene regulatory networks in diverse human and mouse conditions. Nucleic Acids Research. 49, D97-D103 (2021).
  24. Doğan, T., et al. CROssBAR: Comprehensive resource of biomedical relations with knowledge graph representations. Nucleic Acids Research. 49 (16), 96(2021).
  25. Fernández-Torras, A., Duran-Frigola, M., Bertoni, M., Locatelli, M., Aloy, P. Integrating and formatting biomedical data as pre-calculated knowledge graph embeddings in the Bioteque. Nature Communications. 13 (1), 5304(2022).
  26. Himmelstein, D. S., et al. Systematic integration of biomedical knowledge prioritizes drugs for repurposing. eLife. 6, e26726(2017).
  27. Zheng, S., et al. PharmKG: A dedicated knowledge graph benchmark for biomedical data mining. Briefings in Bioinformatics. 22 (4), (2021).
  28. Morselli Gysi, D., et al. Network medicine framework for identifying drug-repurposing opportunities for COVID-19. Proceedings of the National Academy of Sciences of the United States of America. 118 (19), 2025581118(2021).
  29. Santos, A., et al. A knowledge graph to interpret clinical proteomics data. Nature Biotechnology. 40 (5), 692-702 (2022).
  30. Cappelletti, L., et al. GraPE: Fast and scalable graph processing and embedding. arXiv. , (2021).
  31. Yang, B., Yih, W., He, X., Gao, J., Deng, L. Embedding entities and relations for learning and inference in knowledge bases. arXiv. , (2014).
  32. Neo4j Graph Data Platform. , Available from: https://neo4j.com/ (2022).
  33. Shannon, P., et al. Cytoscape: A software environment for integrated models of biomolecular interaction networks. Genome Research. 13 (11), 2498-2504 (2003).

Przedruki i uprawnienia

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

Wydobywanie tekst w biomedycznychasocjacje bia ko chorobakomponenty kom rkowepredykcja g bokim uczeniembia ka mitochondrialneszlaki choroboweCaseOLAP LIFTmodu wydobywania tekst wszlaki Reactome

Powiązane artykuły