지식 그래프의 계층 인식 임베딩: 효모 형질 예측에 대한 응용

우리는 오타 (ontology) 에서 유도된 의미적 손실 (semantic loss) 을 추가한 그래프 신경망 (GNN) 을 사용하여 지식 그래프 (KGs) 의 계층 인식 임베딩을 찾는 방법을 제시합니다. 이 방법은 도메인 지식을 더 잘 반영하는 임베딩을 생성합니다. 효용성을 입증하기 위해, 우리는 효모 (Saccharomyces cerevisiae) 의 유전자 결손 효과를 예측하고 해석하며, 예측 작업이 없는 상태에서 KGs 를 위한 박스 (box) 임베딩을 학습합니다. 또한 박스 임베딩이 KG 수정 평가의 기초로 어떻게 활용될 수 있는지 보여줍니다. 우리의 효모 KG 는 커뮤니티 데이터베이스와 오타 용어에서 구성되었습니다. 저차원 박스 임베딩과 GNN 을 결합하여 이중 유전자 knockouts 의 세포 성장 (cell growth) 을 예측합니다. 10 배 교차 검증 (cross validation) 에서, 이 예측의 평균 $R^2$score는 0.360 으로, 베이스라인 비교보다 유의미하게 높으며, 고수준의 질적 지식이 실험 결과에 대해 정보성을 가지고 있음을 증명합니다. 모델 훈련 시 의미적 손실 항을 포함시키는 것은 임베딩을 오타 구조와 정렬하여 예측 성능 ($R^2$=0.377) 을 향상시킵니다. 이는 오타의 클래스 계층이 양적 예측에 활용될 수 있음을 보여줍니다. 우리는 또한 훈련된 모델을 삼중 유전자 knockouts 에 적용하여, 훈련 데이터 너머의 데이터에도 일반화 (generalise) 됨을 보여줍니다. 추가로, 세포 성장 예측에 중요한 효모 KG 에서 동시 발생 관계 (co-occurring relations) 를 식별함으로써, 효모의 상호 작용 형질에 대한 가설을 구성합니다. 생물학적 실험은 이러한 발견 중 하나를 검증하여, 인오실itol(inositol) 이용과 삼투 스트레스 내성 (osmotic stress resistance) 간의 연관성을 드러내며, 모델이 생물학적 발견을 안내할 잠재력을 강조합니다.