초록 ▼

□ 연구목적
본 연구에서는 지식그래프(Knowledge Graph)에 기반한 의생명 데이터에 관한 연구역량을 가진 본 연구기관과 인공지능 기술에 탁월한 중국 측 연구기관과의 교류를 통해 대규모 의료정보에 적합한 그래프 신경망(GNN) 기술을 활용하여 의료 지식 그래프를 추출 및 활용하는 연구를 목표로 한다.

□ 연구내용
지식그래프(Knowledge Graph)는 개체를 의미적으로 연결하여 그래프의 형태로 정보를 표현하는 기술로서 테이블 기반의 데이터베이스에 비하여 의미적 정보처리와 데이터 연결성 확보에 비교

□ 연구목적
본 연구에서는 지식그래프(Knowledge Graph)에 기반한 의생명 데이터에 관한 연구역량을 가진 본 연구기관과 인공지능 기술에 탁월한 중국 측 연구기관과의 교류를 통해 대규모 의료정보에 적합한 그래프 신경망(GNN) 기술을 활용하여 의료 지식 그래프를 추출 및 활용하는 연구를 목표로 한다.

□ 연구내용
지식그래프(Knowledge Graph)는 개체를 의미적으로 연결하여 그래프의 형태로 정보를 표현하는 기술로서 테이블 기반의 데이터베이스에 비하여 의미적 정보처리와 데이터 연결성 확보에 비교우위를 갖는다. 특히, 의생명데이터는 복잡한 상관관계와 의미적 연결성이 많으므로 단순한 테이블 데이터보다는 지식 그래프로 이를 표현하는 것이 적절하다.
지식 그래프로 표현된 의생명 데이터를 최신 인공지능 기술인 그래프 신경망 기술을 활용한다면, 기존의 관점에서 찾을 수 없었던 새로운 상관관계와 연결성을 확장할 수 있을 것으로 기대한다.

□ 연구결과
의료 데이터 소스 선정 및 모델링
- 다중 유기체 대사 경로 지식그래프 MetaCyc 선정
- MetaCyc를 보다 단순한 효소 반응, 화합물 및 대사 경로 상호 작용 네트워크로 모델링 및 변환

GNN(그래프 임베딩) 선행 기술 교류
- 이종 그래프 임베딩 알고리즘인 RUST를 사용하여 MetaCyc에서 랜덤 워크 생성
- 랜덤 워크 문장을 사용하여 이질적 word2vec으로 그래프 임베딩 생성

GNN (그래프 임베딩)기반 의료 지식그래프 학습 기술 교류
- 신경망 경로 예측 모델을 학습하기 위해 baseline 데이터와 경로 임베딩 사용
- 베이스라인 로지스틱 회귀 모델 및 정수 인코딩된 경로 데이터와 비교

대규모 데이터 학습 기술 교류
- 원본 학습 데이터 세트를 빅 데이터 학습 세트로 변환
- 빅데이터 학습 경로 예측 모델에 대한 평가 및 하이퍼파라미터 조정

□ 연구결과의 활용계획
생명 과학자는 대사를 이해하기 위해 유기체의 효소 반응, 화합물 및 대사 경로의 네트워크를 모델링하는 지식 그래프를 사용한다. 이러한 모델은 전문가가 직접 수정 및 편집하기 때문에 해당 전문가에 따라서 다양한 유기체로 확장되기 어렵다는 한계가 있다. 따라서, 본 연구의 지식 그래프 생성 모델은 가능성이 높은 지식 그래프를 제안하여 해당 전문가를 도울 수 있다. 본 과제에서 예측 모델의 경로 예측은 지식 그래프 생성기와 함께 사용하여 관심 유기체에 대한 대사 지식 그래프를 생성할 수 있다.

(출처 : 연구결과 요약문 3p)

Abstract ▼

□ Purpose
The objective of this project is to research the extraction and utilization of medical knowledge graphs using graph neural networks (GNN). This objective will be achieved through the collaboration of the Korean research institute which has research capabilities in biomedical knowledge g

□ Purpose
The objective of this project is to research the extraction and utilization of medical knowledge graphs using graph neural networks (GNN). This objective will be achieved through the collaboration of the Korean research institute which has research capabilities in biomedical knowledge graphs and the Chinese research institute which excels in artificial intelligence.

□ Contents
Knowledge graphs express information in the form of a graph by semantically connecting objects, and has a comparative advantage in semantic information processing and securing data connectivity compared to table-based databases. In particular, since biomedical data has many complex correlations and semantic connections, it is appropriate to express it as a knowledge graph rather than simple table data.
If biomedical data expressed in a knowledge graph is utilized with graph neural networks, a recent advance in artificial intelligence, it is expected that new correlations and connections that could not be found with current perspectives can be expanded.

□ Results
Medical data source selection and modeling
- Selection of MetaCyc, a multi-organism metabolic pathway knowledge graph
- Modeled and transformed MetaCyc into a simpler interaction network consisting of enzymatic reactions, compounds and metabolic pathways.

GNN (Graph Embedding) literature review
- Generate random walks of MetaCyc entities using RUST, a heterogeneous graph embedding algorithm
- Generate graph embeddings with heterogeneous word2vec using random walk sentences

Exchange of research about GNN (graph embedding) applied to medical knowledge graphs
- Selected a baseline dataset and concatenated it with pathway embeddings to train a neural network pathway prediction model
- Compared this model with a baseline logistic regression model and integer encoded pathway data

Large-scale data processing exchange
- Transformed the original data set into a big data training set
- Evaluated and adjusted hyperparameters for big data neural network pathway prediction models

□ Expected Contribution
Biologists use knowledge graphs to model networks of enzymatic reactions, compounds, and metabolic pathways in an organism to understand its metabolism. Since these models are manually curated by experts, there is a limitation in that it is difficult to extend to various organisms. Therefore, the knowledge graph generation model from this project can aid curators by generating a highly probable knowledge graph.

(source : Summary 4p)

목차 Contents

• 표지 ... 1
• 목차 ... 2
• 연구결과 요약문 ... 3
• SUMMARY ... 4
• 연구내용 및 결과 ... 5
• 1. 과제 개요 ... 5
• 2. 수행내용 및 결과 ... 5
• 3. 자체평가 ... 8
• 4. 연구결과의 활용 계획 ... 8
• 5. 연구과정에서 수집한 해외 정보 ... 8
• 6. 참고문헌 ... 9
• 7. 연구성과 ... 10
• 8. 기타사항 ... 10
• 붙임 대표성과 ... 11
• 끝페이지 ... 11