🧬 biology

Graph Neural Network based Hierarchy-Aware Embeddings of Knowledge Graphs: Applications to Yeast Phenotype Prediction

Dieser Beitrag stellt eine Methode auf Basis von Graph-Neuralen-Netzwerken vor, die einen aus Ontologien abgeleiteten semantischen Verlust integriert, um hierarchiebewusste Einbettungen von Wissensgraphen zu erzeugen, welche die Vorhersage und biologische Interpretation von Effekten der Gen-Deletion bei Hefe, einschließlich doppelter und dreifacher Knockouts, erheblich verbessern.

Ursprüngliche Autoren: Filip Kronström, Alexander H. Gower, Daniel Brunnsåker, Ievgeniia A. Tiukova, Ross D. King

Veröffentlicht 2026-05-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Filip Kronström, Alexander H. Gower, Daniel Brunnsåker, Ievgeniia A. Tiukova, Ross D. King

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Computer beizubringen, die komplexe Biologie von Hefe (ein winziger Pilz, der beim Backen und Brauen verwendet wird) zu verstehen. Sie haben zwei riesige Informationsberge:

Das Faktenbuch: Eine massive Liste spezifischer Beobachtungen, wie „Wenn wir Gen A und Gen B löschen, wächst die Hefe 20 % langsamer."
Das Regelbuch: Eine strukturierte Hierarchie von Konzepten, wie „Enzyme sind eine Art Protein" und „Proteine sind eine Art Molekül". Dies wird als Ontologie bezeichnet.

Lange Zeit waren Computermodelle hervorragend darin, das Faktenbuch zu lesen, ignorierten aber oft das Regelbuch. Sie lernten die spezifischen Fakten, verpassten jedoch die übergeordnete Logik. Diese Arbeit stellt eine neue Methode vor, um dem Computer beizubringen, sowohl die spezifischen Fakten als auch die logischen Regeln gleichzeitig zu respektieren.

So haben sie es getan, unter Verwendung einiger kreativer Analogien:

1. Die „Box"-Metapher: Die Regeln organisieren

Normalerweise repräsentieren Computer Ideen als einzelne Punkte im Raum (wie einen Punkt auf einer Karte). Wenn Sie sagen wollen „Alle Proteine sind Moleküle", müssen Sie den „Protein"-Punkt sehr nah an den „Molekül"-Punkt zwingen.

Diese Arbeit verwendet Box-Embeddings. Statt Punkte stellen Sie sich vor, jedes Konzept ist eine Box (wie ein Pappkarton).

Die „Molekül"-Box ist riesig.
Die „Protein"-Box ist kleiner und befindet sich innerhalb der „Molekül"-Box.
Die „Enzym"-Box ist noch kleiner und befindet sich innerhalb der „Protein"-Box.

Dies erzeugt eine perfekte visuelle Hierarchie. Wenn eine Box in einer anderen enthalten ist, „weiß" der Computer, dass das kleinere Ding eine Art des größeren Dings ist. Dies ist viel besser geeignet, um das „Regelbuch" zu handhaben.

2. Die „Boten"-Metapher: Das Graph-Neuronale Netzwerk (GNN)

Um Vorhersagen zu treffen, muss der Computer betrachten, wie Gene interagieren. Sie verwendeten ein Graph-Neuronales Netzwerk (GNN), das wie ein Team von Boten funktioniert, die durch eine Stadt (den Wissensgraphen) laufen.

Jeder Bote steht an einem Gen.
Sie laufen zu ihren Nachbarn, sammeln Informationen ein und bringen sie zurück.
Nach ein paar Runden weiß jeder Bote nicht nur über sein eigenes Gen Bescheid, sondern über die gesamte Nachbarschaft von Genen, die damit verbunden sind.

3. Die „Streng-Lehrer"-Metapher: Semantischer Verlust

Hier liegt die Hauptinnovation der Arbeit. Normalerweise lernen die Boten (das GNN) durch Versuch und Irrtum, um das Ergebnis vorherzusagen (wie das Hefewachstum). Manchmal brechen sie in ihrem Eifer, die Antwort richtig zu bekommen, versehentlich die Regeln (z. B. indem sie eine „Protein"-Box außerhalb der „Molekül"-Box platzieren).

Die Autoren fügten dem Trainingsprozess einen „Strengen Lehrer" (genannt semantischer Verlust) hinzu.

Jedes Mal, wenn die Boten ihr Wissen aktualisieren, prüft der Strenge Lehrer die Boxen.
Wenn eine „Protein"-Box außerhalb der „Molekül"-Box schwebt, verhängt der Lehrer eine „Strafe" (eine mathematische Fehlerpunktzahl).
Der Computer muss lernen, das Hefewachstum vorherzusagen, während er gleichzeitig dafür sorgt, dass alle Boxen sauber ineinander verschachtelt bleiben.

Die Ergebnisse: Was haben sie herausgefunden?

1. Bessere Vorhersagen
Als sie dies beim Vorhersagen testeten, wie Hefe wächst, nachdem zwei Gene gelöscht wurden (ein „Double Knockout"), schnitt das Modell mit dem „Strengen Lehrer" deutlich besser ab als Modelle ohne ihn.

Die Analogie: Es ist wie ein Schüler, der sowohl die spezifischen Übungsprobleme als auch die Lehrbuchkapitel zur Theorie lernt. Er erzielt bessere Noten als der Schüler, der nur die Übungsprobleme auswendig gelernt hat.
Die Punktzahl: Sie erreichten eine Vorhersagegenauigkeit (R²-Score) von 0,377, was eine solide Verbesserung gegenüber der Baseline darstellt.

2. Vorhersage des Unbekannten
Sie testeten das Modell an „Triple Knockouts" (gleichzeitiges Löschen von drei Genen), die das Modell noch nie gesehen hatte. Es funktionierte immer noch gut, was darauf hindeutet, dass das Modell die Logik der Biologie gelernt hat und nicht nur die spezifischen Datenpunkte auswendig gelernt hat.

3. Entdeckung neuer Biologie (Der „Aha!"-Moment)
Da das Modell die Beziehungen zwischen Genen versteht, konnten die Forscher es fragen: „Welche Eigenschaften interagieren, um dieses Ergebnis zu verursachen?"

Das Modell markierte eine Verbindung zwischen Inositol (ein Nährstoff) und Salzstress (NaCl).
Das Experiment: Die Forscher gingen in ein echtes Labor und testeten dies. Sie zogen Hefe mit und ohne Inositol unter salzigen Bedingungen.
Die Entdeckung: Das Experiment bestätigte die Vermutung des Modells! Das Hinzufügen von Inositol half der Hefe tatsächlich, den Salzstress zu überleben. Das Modell hatte erfolgreich eine verborgene biologische Beziehung vorhergesagt, die zuvor nicht explizit in den Daten niedergeschrieben war.

4. Überprüfung des „Regelbuchs" auf Fehler
Schließlich zeigten sie, dass dieses „Box"-System verwendet werden kann, um zu prüfen, ob das Regelbuch selbst falsch ist. Wenn Sie eine neue Regel hinzufügen (eine neue Verbindung im Graphen) und dies dazu führt, dass die Boxen unordentlich werden oder der „Strenge Lehrer" schreit, könnte dies bedeuten, dass die neue Regel nicht mit dem Rest des Wissens übereinstimmt. Dies hilft Wissenschaftlern, Fehler in ihren Datenbanken aufzudecken.

Zusammenfassung

Diese Arbeit baute ein Computerhirn, das nicht nur Fakten auswendig lernt; es versteht die Struktur des Wissens. Indem es den Computer zwang, seine „Konzept-Boxen" sauber organisiert zu halten (wie ein gut bestelltes Lagerhaus), wurde es besser darin, reale biologische Ergebnisse vorherzusagen und half Wissenschaftlern sogar, eine neue Interaktion zwischen Nährstoffen und Stress in Hefe zu entdecken.

Technisches Fazit: Hierarchiebewusste Einbettungen von Wissensgraphen mittels GNNs

Problemstellung
Wissensgraphen (KGs) werden häufig verwendet, um strukturiertes Domänenwissen darzustellen, insbesondere in den Lebenswissenschaften, wo sie mit ontologischen Informationen angereichert sind. Während Standardmethoden zur Einbettung von Wissensgraphen (KGE) effektiv aus beobachteten relationalen Tripeln lernen, gelingt es ihnen oft nicht, globale semantische Zwänge, die aus zugrunde liegenden Ontologien abgeleitet sind, wie Klassenhierarchien (subClassOf) und Disjunktheit, explizit durchzusetzen. Standard-Graph Neural Networks (GNNs) sind zwar leistungsfähig bei der Aggregation lokaler Nachbarschaftsinformationen, respektieren diese hierarchischen Strukturen jedoch nicht inhärent und können möglicherweise Repräsentationen lernen, die bekannte Domänenlogik verletzen. Der Beitrag adressiert die Herausforderung, volumetrische Repräsentationen (speziell Box-Embeddings) mit GNNs zu integrieren, um „hierarchiebewusste" Einbettungen zu schaffen, die mit ontologischen Zwängen übereinstimmen und gleichzeitig für nachgelagerte quantitative Vorhersageaufgaben effektiv bleiben.

Methodik
Die Autoren schlagen einen Rahmen vor, der Graph Neural Networks mit box-basierten Einbettungen kombiniert und als Hierarchiebewusste GNNs bezeichnet wird.

Graphkonstruktion: Die Methode behandelt den KG als eine Menge von TBox-artigen Axiomen. Klassenassertionen ( $C(a)$ ) werden als Subsumptionsaxiome ( $\{a\} \sqsubseteq C$ ) umgeschrieben, und Rollenassertionen ( $r(a, b)$ ) als existenzielle Restriktionen ( $\{a\} \sqsubseteq \exists r.\{b\}$ ). Dies vereint faktenbasierte Instanzebenen und terminologisches Wissen in einem einzigen Berechnungsgraphen, wobei Knoten Klassen und Nominals repräsentieren und Kanten logische Relationen darstellen.
Architektur:
- GNN-Rückgrat: Das Modell verwendet ein heterogenes GNN basierend auf der GraphSAGE-Architektur. Es employs relationsspezifisches Nachrichtenpassing (SAGEConv-Module), um Informationen aus lokalen Nachbarschaften über verschiedene Kantentypen hinweg zu aggregieren.
- Box-Embeddings: Die Ausgabe jeder GNN-Schicht wird als latente Variable $\theta$ behandelt, die unter Verwendung einer Parametrisierung, die gültige Box-Koordinaten sicherstellt (Untergrenze $\le$ Obergrenze), in ein achsenparalleles Hyperrechteck (Box) transformiert wird.
- Semantischer Verlust: Um ontologische Zwänge durchzusetzen, integriert das Modell während des Trainings semantische Verlustterme. Zwei Arten von Verlusten werden für Subsumption ( $C \sqsubseteq D$ $C ⊑ D$ ) evaluiert:
  - Distanzverlust ( $L_{distance}$ ): Bestraft den geometrischen Abstand zwischen einer Unterklassen-Box und der Grenze ihrer Oberklassen-Box.
  - Überlappungsverlust ( $L_{overlap}$ ): Bestraft basierend auf dem Volumen des Schnitts relativ zum Unterklassenvolumen.
  - Disjunktheitszwänge ( $C \sqcap D \sqsubseteq \bot$ ) werden über entsprechende negative Verluste ( $L^{-}_{distance}$ oder $L^{-}_{overlap}$ ) durchgesetzt.
- Gemeinsames Training: Die Gesamtverlustfunktion kombiniert einen aufgaben spezifischen Verlust (z. B. mittlerer quadratischer Fehler für Regression) mit den gewichteten semantischen Verlusten und Regularisierungstermen. Dies ermöglicht dem Modell, aufgabenspezifische Merkmale zu lernen und gleichzeitig der Klassenhierarchie zu folgen.

Hauptbeiträge

Hierarchiebewusstes GNN-Framework: Eine neuartige Architektur, die Box-Embeddings in GNNs integriert und das gleichzeitige Lernen von Graphstruktur und ontologischen Hierarchien ermöglicht.
Integration semantischer Verluste: Die Anwendung semantischer Verlustterme (abgeleitet aus Ontologie-Axiomen) direkt in das Training von GNNs für quantitative Vorhersageaufgaben, anstatt nur für statische Ontologie-Einbettungen.
Vorhersage von Hefephenotypen: Konstruktion eines umfassenden, ontologieangereicherten KG für Saccharomyces cerevisiae, der Daten aus SGD, GO, ChEBI, APO und BioCyc integriert.
Hypothesengenerierung: Eine Methode zur Identifizierung interagierender Merkmale durch Analyse der Wichtigkeit von Kantenpaaren im trainierten Modell, was zu experimentell validierten biologischen Hypothesen führt.
Link-Evaluation: Eine vorgeschlagene Methode zur Rangfolge potenzieller KG-Revisionen basierend auf den Distanzänderungen in den resultierenden Einbettungen und dem Einfluss auf den semantischen Verlust.

Ergebnisse
Die Methode wurde für die Aufgabe der Vorhersage des Zellwachstumsfitness bei doppelten Gen-Knockouts in Hefe evaluiert.

Vorhersageleistung: Das hierarchiebewusste GNN erreichte einen mittleren $R^2$ -Score von 0,360 unter Verwendung vorheriger Box-Embeddings. Die Einbeziehung des semantischen Verlusts (speziell des distanzbasierten Verlusts) verbesserte die Leistung weiter auf 0,377 und übertraf damit signifikant Baselines, einschließlich standard GNNs ohne Box-Embeddings, LightGBMs auf spärlichen Phenotyp-Merkmalen und ComplEx-Embeddings.
Generalisierung: Das Modell zeigte Generalisierungsfähigkeiten, als es an dreifachen Gen-Knockouts getestet wurde (Daten, die im Training nicht gesehen wurden), und erreichte einen $R^2$ von 0,415 mit semantischem Verlust, was darauf hindeutet, dass die gelernten Repräsentationen robuste biologische Merkmale erfassen.
Hypothesenvalidierung: Das Modell identifizierte eine potenzielle Interaktion zwischen der Inositol-Nutzung und der Resistenz gegen osmotischen Stress. Ein automatisiertes biologisches Experiment bestätigte diesen Befund und zeigte, dass eine Inositol-Supplementierung Zellen signifikant vor NaCl-induziertem Stress rettete, was die Fähigkeit des Modells zur Lenkung von Entdeckungen validiert.
Einbettungsanalyse: Visualisierungen von 2D-Einbettungen für den Bereich der molekularen Funktion zeigten, dass das GNN vorherige Einbettungen transformiert, um Disjunktheit und Subsumption besser zu respektieren, obwohl einige hierarchische Verletzungen bestehen blieben, wahrscheinlich aufgrund der Komplexität der Domäne und der Dimensionalität des Einbettungsraums.
Link-Evaluation: Erste Tests zur Rangfolge von Graph-Revisionen zeigten, dass die Distanzmetrik zwischen wahren Kanten und zufällig gezogenen Kanten für bestimmte Relationstypen unterscheiden konnte, obwohl die Varianz hoch war.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass die Einbeziehung hochrangigen qualitativen Wissens (Klassenhierarchien) durch semantische Verluste die Leistung quantitativer Vorhersagen in biologischen Domänen verbessert. Die Autoren argumentieren, dass dieser Ansatz einen regularisierenden Effekt und semantische Verankerung für die Repräsentationen des Modells bietet.

Entscheidend zeigt die Arbeit, dass Modelle, die mit semantischer Verankerung trainiert wurden, zur Generierung interpretierbarer Hypothesen verwendet werden können, die zu echten wissenschaftlichen Entdeckungen führen. Die erfolgreiche experimentelle Validierung der Inositol-NaCl-Interaktion dient als Proof of Concept für die Verwendung computergestützter Modelle zur Lenkung biologischer Experimente. Die Autoren bleiben bezüglich der Link-Evaluation-Methode bescheiden und stellen fest, dass sie derzeit rudimentär ist und weiterer Untersuchung bedarf, um zwischen wahren und zufälligen Kanten in komplexen Graphen effektiv zu unterscheiden. Sie erkennen zudem an, dass das aktuelle Setup Sequenzinformationen nicht nutzt, was die Genrepräsentationen weiter verbessern könnte, und dass die Vereinfachung von Individuen als Boxen (anstatt als Punkte) ein Kompromiss für die Durchsetzung hierarchischer Zwänge ist.