知识图谱嵌入模型在生物学领域的应用：综述报告

作者与发表信息 本文作者为 Sameh K. Mohamed, Aayah Nounu 和 Vít Nováček，其所属机构为爱尔兰国立大学高威分校的数据科学研究所（Data Science Institute, National University of Ireland Galway）及 Insight 数据分析中心。该论文于2020年在线发表于《Briefings in Bioinformatics》期刊。

论文主题 本文是一篇综述性论文，旨在全面探讨知识图谱嵌入（Knowledge Graph Embedding, KGE）模型在生物学领域的应用。文章系统性地介绍了KGE模型的基本原理、在生物知识图谱构建与分析中的适用性、其在多个具体生物信息学任务中的预测与分析能力，并通过案例研究展示了其卓越性能。最后，文章讨论了KGE模型在生物学应用中的实际考量、机遇与挑战。

主要论点与阐述

1. 背景与动机：从传统图探索到知识图谱嵌入 作者首先阐述了传统生物学系统建模方法的局限性。传统上，复杂的生物系统被建模为图（网络），其中节点代表生物实体（如蛋白质、药物），边代表它们之间的相互作用。虽然基于图探索的方法预测精度较高，但其严重依赖于耗时的路径探索过程，可扩展性有限。近年来，随着计算技术的发展，知识图谱嵌入模型应运而生。KGE模型通过学习图中节点和边的低秩向量表示来捕获图的固有结构，从而在保持高精度的同时，提供了卓越的可扩展性。本文的核心动机在于，尽管KGE模型在其他领域已表现出色，并在一些生物信息学任务中开始应用，但其在计算生物学领域的应用尚处早期阶段，且许多研究仍在使用较旧的KGE模型版本。因此，有必要对当前最先进的KGE模型及其在生物学中的应用进行系统性梳理和评估。

2. 生物知识图谱的构建与知识图谱嵌入模型原理 * 生物知识图谱的构建：文章指出，生物知识库（如UniProt、Gene Ontology、Bio2RDF）是构建生物知识图谱的重要数据源。构建过程主要面临两个挑战：关联标记（为实体间的关系提供有意义的标签）和实体歧义消除（整合使用不同标识符系统的数据库）。作者建议使用实体类型来推导关系标签，并依赖权威资源（如UniProt）来解决命名冲突。文中提及了Bio2RDF等倡议和相关技术（如LIMES）作为构建和整合知识图谱的参考。 * 知识图谱嵌入模型原理：KGE模型将知识图谱中的事实表示为（主体，谓词，客体）三元组。其学习过程是一个迭代的多阶段过程：首先为实体和关系分配随机向量（嵌入）；然后通过生成负样本（随机破坏真实三元组）、使用模型特定的评分函数计算三元组分值，并利用损失函数（如排序损失或多分类损失）优化嵌入，目标是最大化真实三元组的分数，同时最小化负样本的分数。最终得到能够反映图结构的低维向量表示。文章对比了多种流行的KGE模型（如TransE、DistMult、ComplEx、ConvE），将其分为基于距离的模型、基于因子分解的模型和基于卷积的模型，并总结了它们的评分机制、复杂度和特点。

3. 案例研究：展示KGE在生物学任务中的预测能力 为了具体说明KGE的能力，文章重点介绍了三个生物学案例研究，并进行了基准测试比较。 * 药物-靶点相互作用（DTI）预测：该任务旨在预测药物与蛋白质靶点之间的新型相互作用。作者使用DrugBank_FDA数据集，并将其与UniProt数据库整合构建知识图谱。实验采用5折交叉验证。结果显示，KGE模型（如DistMult、ComplEx、TriModel）在ROC曲线下面积（AUC-ROC）和精确率-召回率曲线下面积（AUC-PR）两个指标上，均显著优于包括DDR、DNILMF、KronRLS-MKL在内的多种传统图挖掘和机器学习方法。这表明KGE在整合多源异构生物数据并用于关系预测方面具有强大优势。 * 多药副作用（Polypharmacy Side Effects）预测：此任务预测两种或多种药物联合使用时可能产生的副作用。作者使用Zitnik等人编制的数据集，并将其建模为三维张量。在留出测试集上的评估表明，KGE模型（DistMult、ComplEx、TriModel）的性能超越了当时最先进的Decagon（图卷积网络模型）以及其他张量分解方法（如RESCAL、DEDICOM）。这证明了KGE在处理复杂多关系生物数据（如药物-药物-副作用的三元关系）方面的有效性。 * 组织特异性蛋白质功能预测：蛋白质的功能常依赖于其表达的组织环境。作者使用OhmNet数据集，该数据集包含多个组织特异的蛋白质相互作用网络和功能注释。实验结果表明，KGE模型（TriModel、ComplEx）在预测组织特异性蛋白质功能方面，其AUC-ROC和AUC-PR均优于专门为此任务设计的OhmNet模型以及其他基线方法（如LINE、GeneMANIA）。这突显了KGE在建模具有层次或多层结构的生物网络时的潜力。

4. KGE模型的分析能力：相似性学习与聚类 除了预测关联，KGE模型生成的嵌入向量本身也具有强大的分析价值。 * 实体相似性学习：通过计算嵌入向量之间的余弦相似度，可以量化生物实体在知识图谱空间中的语义相似性。文章以DTI案例中学习到的嵌入为例，展示了药物-药物、蛋白质-蛋白质、蛋白质基序-基序之间的相似性矩阵。例如，模型成功识别出具有相似作用机制或酶学特性的药物对（如阿普唑仑和氟烷均作用于GABRA1蛋白），以及属于同一家族的蛋白质（如CYP2C9和CYP2C19）具有高相似性，而功能迥异的蛋白质（如ACE与CYP酶）相似性极低。这验证了KGE嵌入能够捕捉有意义的生物学语义。 * 实体聚类：通过降维技术（如t-SNE）可视化嵌入向量，可以观察生物实体的自然分组。文章展示了基于药物化学结构（如多环化合物、杂环化合物）的聚类效果，发现具有相似结构的药物在嵌入空间中形成了可区分的簇。然而，在多药副作用根据其影响的人体系统进行聚类时，效果不明显，说明模型学到的表示并未强烈编码这一特定属性。这揭示了KGE分析能力的潜力和局限性。

5. 实际考量：可扩展性与实施策略 * 可扩展性：文章通过实证研究（使用多药副作用数据集）分析了KGE模型（TransE、DistMult、ComplEx、TriModel）的训练时间与数据规模、嵌入维度、负样本数量和批次大小的关系。结果表明，所有模型的训练时间与数据规模、嵌入维度呈线性增长，与负样本数量呈正线性相关，而与批次大小呈指数衰减关系。这证实了KGE模型相对于依赖图遍历的探索性方法具有更好的可扩展性（线性时间复杂度）。 * 实施策略：KGE模型可以利用GPU进行高效训练，甚至可以部署在多机分布式环境中以处理超大规模知识图谱。文中提到的实验均在配备单GPU的机器上使用TensorFlow库完成。

6. 机遇、挑战与未来展望 * 潜在应用：KGE模型有潜力应用于更广泛的生物数据建模与分析，包括：1) 蛋白质组学数据：建模不同类型的蛋白质-蛋白质相互作用及其组织上下文；2) 基因组学数据：预测基因-疾病、基因-功能关联；3) 药理学系统：扩展药物-药物、药物-蛋白质相互作用知识，预测单药及多药副作用。 * 局限性： 1. 可解释性缺乏：KGE模型如同“黑箱”，难以解释其预测背后的具体生物学路径或规则。尽管有研究尝试通过引入类型约束、逻辑规则或使用辅助解释模型来改善，但可解释性仍是重大挑战。 2. 数据质量依赖：嵌入的质量高度依赖于输入知识图谱的质量和覆盖度。对于研究不足的实体（如某些蛋白质），其嵌入可能因数据稀疏而产生偏差。 3. 知识演化问题：KGE模型难以处理训练时未见的新实体（例如新发现的药物），因为它们依赖于已有的关联知识，而非实体自身的结构信息。需要结合序列或结构特征来应对。 4. 超参数敏感性：模型性能对超参数（如嵌入大小、正则化权重）非常敏感，通常需要耗时的网格搜索来确定最优设置。 5. 复杂语义建模限制：KGE擅长编码直接关系，但在捕捉复杂的、间接的语义（如多层次的因果关系、分类学层次结构）方面能力有限。增强语义的KGE模型往往以牺牲可扩展性为代价。

论文的意义与价值 本综述文章具有重要的学术价值和指导意义： 1. 系统性梳理：首次针对KGE模型在计算生物学领域的应用进行了全面、深入的综述，填补了该领域系统性指导文献的空白。 2. 性能验证：通过严谨的基准测试，在多个关键生物信息学任务（DTI预测、多药副作用预测、组织特异性功能预测）上，实证展示了先进KGE模型相对于传统及最新专门方法的优越性能（更高的预测精度和可扩展性），为领域研究者提供了强有力的选用依据。 3. 能力展示：不仅关注预测任务，还详细阐述了KGE在生物实体相似性度量和聚类分析方面的能力，拓宽了其在生物数据探索性分析中的应用视野。 4. 实践指南：详细讨论了生物知识图谱的构建流程、KGE模型的原理与选择、实际训练中的可扩展性分析和实施策略，为计算生物学家和生物信息学家将KGE应用于自身研究提供了切实可行的技术路线图。 5. 前瞻性分析：客观地指出了KGE模型在当前生物应用中的核心挑战（如可解释性、数据偏差、处理新实体），并提出了可能的解决思路和未来研究方向，为后续研究指明了突破口。

本文有力地论证了知识图谱嵌入模型作为一种强大、可扩展且高精度的工具，在建模和分析复杂生物系统方面的巨大潜力，是推动计算生物学从传统图方法向量化表示学习转型的重要参考文献。