收费网站解决方案,昆明seo关键字推广,长沙公司网站,wordpress百度不收录PrimeKG#xff1a;为精准医学分析设计的多模态知识图谱 PrimeKG简介数据资源和覆盖范围构建方法和技术细节PrimeKG多模态知识图谱的概览构建PrimeKG的过程PrimeKG 数据 多模态特性和临床应用PrimeKG 设计逻辑 论文#xff1a;https://www.nature.com/articles/s41597-023-01… PrimeKG为精准医学分析设计的多模态知识图谱 PrimeKG简介数据资源和覆盖范围构建方法和技术细节PrimeKG多模态知识图谱的概览构建PrimeKG的过程PrimeKG 数据 多模态特性和临床应用PrimeKG 设计逻辑 论文https://www.nature.com/articles/s41597-023-01960-3 PrimeKG简介 PrimeKG一个面向精准医学的知识图谱它提供了疾病的整体视图。 PrimeKG整合了20个高质量资源以4050249种关系描述了17080种疾病这些关系代表了10个主要的生物学尺度包括疾病相关的蛋白质扰动、生物学过程和途径、解剖学和表型尺度以及所有已批准和试验性药物及其治疗作用。 他们将PrimeKG的图形结构与药物和疾病临床指南的文本描述相结合以实现多模式分析。 与其他知识图谱不同的是PrimeKG特别强调了包括药物的适应症、禁忌症和非标签用途等通常缺失的药物-疾病关系。 数据资源和覆盖范围 PrimeKG的构建基于包括Bgee基因表达知识库、DisGeNET基因-疾病关联数据库、DrugBank药物数据库在内的20种主要数据资源。 这些资源提供了包括蛋白质、基因、药物、疾病、解剖学结构和生物过程等广泛的生物医学实体数据确保了知识图谱的丰富性和多样性。 构建方法和技术细节 在构建PrimeKG过程中我们采用了一系列技术步骤来标准化和整合各种数据资源。 这包括选择适合每种节点的本体、协调数据集到统一格式并解决不同数据源之间的重叠问题。 此外我们还对药物和疾病节点进行了临床特征的补充包括药物的作用机理和疾病的临床描述以增强图谱的实用性和信息的完整性。 PrimeKG多模态知识图谱的概览 在子图a中显示了知识图谱中不同类型的节点及其相互之间的关系。 例如药物、疾病、基因等节点之间是如何通过不同类型的边相连的。 子图b展示了所有疾病节点在PrimeKG中与其他节点类型的关系。 在子图c中提供了一个具体案例展示了自闭症Autism和利培酮Risperidone之间的路径以及对应药物和疾病节点的文本描述这显示了知识图谱的多模态特性。 构建PrimeKG的过程 子图a列出了为PrimeKG策划的20种主要数据资源以及它们如何用于确定不同节点类型的唯一标识符。 子图b和c展示了如何确定节点类型并从各个数据源中提取不同类型节点之间的关系。 最后子图d描绘了整个PrimeKG以及药物和疾病节点的临床特征是如何被集成的。 PrimeKG 数据 PrimeKG中不同类型节点的数量和所占的百分比以及每种节点类型所对应的数据来源。 例如疾病节点由来自多个数据源如CTD、DisGeNET、Disease Ontology等的信息组成。 多模态特性和临床应用 PrimeKG不仅是一个生物医学数据的集合它还融合了临床意义深远的文本描述使其成为一个真正多模态的知识图谱。 这一特性使PrimeKG能够在科研和临床应用中发挥重要作用特别是通过自闭症谱系障碍的案例研究我们验证了其在解释疾病临床表现方面的相关性和有效性。 PrimeKG 设计逻辑 问题1: 如何在单一平台上整合分散在不同数据源的生物医学信息 解法: 数据集成和标准化 子解法1: 选择适合每种节点类型的本体 特征: 确保知识图谱中不同数据源的信息能够相互对应。例子: 使用MONDO本体统一疾病信息因为它融合了多个疾病相关的本体确保了数据的一致性。 子解法2: 将数据格式化为标准化的格式并解决重叠问题 特征: 使不同来源的数据能够兼容并减少重复。例子: 对药物-疾病关系中的数据进行重叠检查确保每一种药物或疾病在图谱中只对应一个唯一的节点。 子解法3: 构建一个包含所有关系的网络图 特征: 显示不同生物医学实体之间的关联性。例子: 在知识图谱中疾病节点被密集地连接到药物、基因、表型等其他节点类型揭示了潜在的生物学机制。 问题2: 如何使知识图谱支持临床决策和科研 解法: 加入多模态临床信息 子解法1: 融合文本描述和数值数据 特征: 提供对药物和疾病更全面的理解。例子: 药物节点不仅包含作用机理的描述还有分子重量等量化信息这有助于研究药物动力学和药效学。 子解法2: 更新和维护知识图谱 特征: 确保知识图谱反映最新的科研发现和临床指南。例子: 通过定期整合新的临床试验数据和治疗指南PrimeKG能够支持最新的精准医疗研究。 这样的解法组合不仅解决了数据分散和标准化的问题还确保了知识图谱的实用性和时效性使其能够适应快速发展的医学领域的需求。