技術要約: RNA-KG v2.0 – プロパティを備えたRNA中心のナレッジグラフ

問題提起

RNA分子は生理学的および病理学的なプロセスにおいて極めて重要であるが、RNA関連データの統合と標準化には依然として大きな課題がある。既存のデータセットは、多くの場合、RNA分子とその関係性を特定するための共通の識別スキームを欠いており、標準的な識別子を取得するために手動の作業を必要とする。さらに、従来のナレッジグラフ（KG）は、複数のRNAアイソフォームを単一の遺伝子レベルのエンティティに集約してしまったり、文脈依存的な生物学的相互作用を区別するために必要なコンテキスト・メタデータ（例：細胞株、組織、病理学的状態）を欠いていたりすることが多かった。高度なクエリ、リンク予測、およびRNA研究における隠れたパターンの発見をサポートできる、包括的で標準化された、プロパティ豊かなナレッジグラフが求められている。

手法

著者らは、以下の手法的なステップを通じて構築された、RNA中心のナレッジグラフのメジャーアップデートであるRNA-KG v2.0を提示する。

• データ統合: 本グラフは、91の連結オープンデータリポジトリおよびオントロジーから抽出された、約1億件の手動キュレーションによる相互作用を統合している。これには、20の新しいデータソース（例：RNAcentral、Ensembl、DisGeNET、STRING、CTD）と、11の標準的な生物医学オントロジー（例：HPO、GO、Mondo、ChEBI、Uberon）が含まれる。
• 識別スキーム: 以前のリリースの限界を解消するために、新しい識別スキームが採用された。非コードRNAはRNAcentralの識別子に基づき、コーディング転写物はEnsemblの識別子に基づいている。これにより、以前は集約されていたエンティティ（例：LINC-PINT-205とLINC-PINT-206の分離）を区別し、転写物バリアント（アイソフォーム）を精密に表現することが可能となった。
• プロパティグラフモデリング: 従来のトリプルストアとは異なり、RNA-KG v2.0はNeo4jにおけるプロパティグラフとして実装されている。ノード（エンティティ）とエッジ（関係性）の両方が、広範な属性によって強化されている：
  • ノードプロパティ: ラベル、説明、シノニム、分子配列、ゲノム座標、化学構造（SMILES、InChIKeys）、および種を含む。
  • エッジプロパティ: 実験手法（例：RT-PCR、ウェスタンブロッティング）、信頼度スコア、支持するPubMed ID、および相互作用が観察された特定の組織または細胞株を含む、相互作用の具体的なコンテキストを捉える。
• オントロジカルな接地: 関係性は、意味論的な一貫性を確保するために、OBOオントロジー（具体的にはRelation Ontology, RO）に基づいている。データベース固有のエンティティをオントロジークラスに接続するために、逆関係およびrdfs:subClassOfによるエンティティリンキングが使用されている。

主な貢献

1. 規模と範囲: 結果として得られたKGは、6,553,767個のノードと99,936,712個の関係性を含み、ノードとエッジはそれぞれ2,700万以上および2億4,200万以上のプロパティによって特徴付けられている。
2. コンテキストを考慮した表現: 本グラフは、相互作用の「コンテキスト」を明示的にモデル化している。例えば、特定の疾患で過剰発現しているRNAと低発現しているRNAを区別したり、脳組織での相互作用と血液での相互作用を区別したりすることができる。
3. アイソフォームの解決: RNAcentralおよびEnsemblの識別子を利用することで、アイソフォームを解決し、遺伝子レベルだけでなく転写物レベルでの解析を可能にしている。
4. アクセスとユーザビリティ: リリースには、ブラウジングおよびカスタムビュー（サブグラフ）を生成するためのウェブポータルと、プログラムによるアクセスのためのRESTful APIが含まれており、他のツールやポータルとの統合を容易にしている。
5. 強化されたクエリ機能: プロパティ豊かな構造により、分子エンティティ、実験手法、文献による支持、および生物学的コンテキストによってフィルタリングを行う詳細なCypherクエリが可能となる。

結果と評価

論文では、いくつかの分析的なユースケースを通じてRNA-KG v2.0の有用性を実証している：

• コンテキストを考慮したクエリ: 著者らは、特定のメソッド（例：ウェスタンブロッティング）によって検証された相互作用を検索したり、配列特性（例：ウラシル含有量 > 25%）に基づいてRNAをフィルタリングしたりするCypherクエリの例を提供している。
• コンテンツを考慮した枝刈りとクラスタリング: 配列アライメントスコア（コンテンツ・アウェア）をトポロジー指標と併用することで、より生物学的に意味のあるクラスタリングが可能になることを示している。sncRNAを用いたテストにおいて、トポロジーのみに基づいてノードを崩壊させると、生物学的に重要な配列の違いを破棄してしまうリスクがあった。アライメントスコアを使用してどのノードを崩壊させるかをフィルタリングすることで、トポロジーおよびコンテンツ・アウェアな情報を保持しながら、グラフのサイズを約20%削減できた。
• リンク予測: 論文では、「miRNAdisease」ビュー（105kノード、1.6Mエッジ）を用いて、様々なグラフ表現学習（GRL）手法（LINE、node2vec、TransE）とランダムフォレストを組み合わせたリンク予測性能を評価している。
  • マルチモーダルな性能: ノード/エッジのプロパティ（記述のためのBioBERTおよび配列のためのDNABERT経由）をトポロジカルな埋め込みと統合することで、9/15の同質的ケースおよび8/15の異質的ケースにおいて、バランス精度が向上した。
  • 異質な予測: ノードペア間に複数のエッジタイプが存在する異質なタスクにおいて、TransEは他の手法よりも優れた性能を示し、意味的な関係（例：「〜において過剰発現している」と「〜を引き起こす」の区別）を効果的に判別した。
• 時間層別バリデーション: 支持するPubMed論文の出版年を用いて、2022年以前に利用可能なデータでモデルを訓練し、2022年以降に発見された相互作用でテストを行った。モデルは将来の発見に対して高い妥当性スコア（中央値 > 0.6）を達成しており、これはKGが事前のエビデンスに基づいた意味のある予測推論をサポートしていることを示唆している。

重要性と主張

本論文は、RNA-KG v2.0が、静的なエンティティリストを超えて、動的でプロパティ豊かなグラフへと移行することで、生物医学的知識表現における重要な進歩を遂げたと主張している。その主な意義は以下の通りである：

• 高度な分析の実現: プロパティの包含により、実験的エビデンスや組織タイプによる相互作用のフィルタリングなど、従来は困難であった「コンテキストを考慮した」分析が可能になる。
• 予測モデルの改善: セマンティックおよびトポロジカルな情報の統合は、機械学習モデルの性能、特に異なる種類の生物学的関係を区別することが極めて重要となるリンク予測タスクにおいて、性能を向上させる。
• 標準化: 標準化された識別スキーム（RNAcentral/Ensembl）およびオントロジーを採用することで、RNAcentralなどの他のリソースとの相互運用性を促進し、ドメイン固有のビューの生成をサポートする。
• 将来のオントロジーの基礎: 著者らは、既存のRNAオントロジー（NCRO、RNAO）は時代遅れであるか、配列/プロパティの詳細を欠いていると指摘している。彼らは、RNA-KG v2.0に含まれる知識が、現在の表現のギャップに対処する包括的な新しいRNAオントロジーを開発するための基礎となり得ることを提案している。

著者らは、本リソースが公開されており、薬物様分子の優先順位付けや組織特異的な制御メカニズムの発見を含む、RNA研究の下流アプリケーションをサポートするように設計されていると結論付けている。