MARC

 008250123s2024        us                              c    eng  d
■001000017164430
■00520250211153001
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346383437
■035    ▼a(MiAaPQ)AAI31631303
■035    ▼a(MiAaPQ)PennState20315cqm5886
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a600
■1001  ▼aMa,  Chunyu.
■24510▼aAdvancing  Biomedical  Exploration:  Leveraging  Biomedical  Knowledge  Graphs  With  Computational  Methods
■260    ▼a[Sl]▼bThe  Pennsylvania  State  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a196  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Koslicki,  David.
■5021  ▼aThesis  (Ph.D.)--The  Pennsylvania  State  University,  2024.
■520    ▼aBiomedical  systems  are  highly  complex,  involving  multiple  disciplines  such  as  biology,  chemistry,  clinical  medicine,  and  environmental  science.  Understanding  the  inter-  or  intra-  relationships  of  knowledge  in  these  disciplines  is  beneficial  for  addressing  a  wide  range  of  health-related  issues  (e.g.,  drug  repurposing,  pathogen  detection).  However,  a  single  type  of  data  or  technique  within  a  specific  discipline  often  falls  short  in  uncovering  hidden  connections  across  disciplines  and  fails  to  capture  different  views  and  holistically  comprehend  the  relevant  biomedical  mechanisms.  Although  still  in  the  early  stage  of  practical  applications,  researchers  have  demonstrated  the  success  of  leveraging  knowledge  graph  techniques  to  integrate  unstructured  knowledge  into  a  structured  semantic  graph,  allowing  to  explore  more  unknown  relationships  and  properties  based  on  the  existing  biomedical  knowledge.  In  this  dissertation,  we  aim  to  further  advance  the  applications  of  knowledge  graphs  to  explore  biomedical  issues  by  combining  them  with  the  novel  machine  learning  (ML)  method,  a  querying  and  reasoning  system,  as  well  as  other  computational  algorithms.In  Chapter  1,  we  first  introduce  the  fundamental  concepts  about  biomedical  knowledge  graphs  (BKGs),  existing  BKG  applications,  a  standardized  data  integration  framework  (i.e.,  Biolink  model)  and  a  large-scale  standardized  BKG  (i.e.,  RTX-KG2)  as  the  foundation  of  data  standard  and  resource  for  most  subsequent  chapters.  The  chapter  also  discusses  the  existing  problems  and  challenges  of  building  and  applying  BKGs  and  summarizes  the  existing  computational  methods  for  BKG  analysis.  Some  basic  knowledge  of  metagenomics  is  also  included  to  better  understand  Chapters  4  and  5.In  Chapter  2,  we  present  KGML-xDTD,  a  novel  ML-based  framework  for  enhancing  the  accuracy  and  biological  interpretability  of  drug  predictions  by  incorporating  biomedical  knowledge  graphs.  KGML-xDTD  combines  and  utilizes  the  advantages  of  several  machine  learning  models  to  capture  different  information  (e.g.,  node  attributes,  graph  structure)  from  biomedical  knowledge  graphs  and  innovatively  uses  the  biological  demonstration  paths  to  guide  the  agent  of  reinforcement  learning  in  finding  biologically  reasonable  BKG  paths  as  mechanism  explanations.  We  also  demonstrate  its  effectiveness  via  two  case  studies.In  Chapter  3,  we  leverage  biomedical  knowledge  graphs  to  answer  biomedical  questions  and  hypotheses  and  develop  a  querying  and  reasoning  system  called  ARAX  to  achieve  this  goal.  This  system  can  efficiently  and  dynamically  integrate  more  than  100  biomedical  knowledge  sources  from  around  40  knowledge  providers  (KPs)  to  explore  biomedical  systems  and  questions.  It  combines  several  computational  algorithms  including  Fisher's  exact  test,  Jaccard  similarity,  Normalized  Google  Distance,  as  well  as  the  drug  prediction  model  introduced  in  Chapter  2,  to  rank  and  select  relevant  knowledge  as  an  ``answer''  for  a  given  query.Chapters  4  and  5  together  narrow  down  the  application  of  knowledge  graph  techniques  from  broad  biomedical  questions  to  exploring  biomedical  issues  in  the  field  of  metagenomics,  the  study  of  the  genomic  content  of  microbial  communities.  The  work  in  chapter  4  constructs  a  metagenomics-focus  biomedical  knowledge  graph  --  MetagenomicKG.  It  integrates  microbe-disease  relevant  knowledge  including  drugs,  microbes  (e.g.,  fungi,  bacteria,  viruses),  genetic  materials  (e.g.,  genes,  proteins),  pathways,  diseases.  The  work  in  Chapter  5  develops  a  metagenomics-based  statistical  tool  that  acts  as  a  ``glue''  for  connecting  MetagenomicKG  with  specific  metagenomic  samples,  which  further  enhances  the  dynamic  analysis  of  knowledge  graphs.In  Chapter  6,  we  conclude  the  contribution  of  all  my  research  work  in  this  dissertation  and  also  discuss  the  possibility  of  unifying  knowledge  graph  techniques  and  large  language  models  (LLM)  to  further  facilitate  BKG  construction  and  exploration.
■590    ▼aSchool  code:  0176.
■650  4▼aPathogens
■650  4▼aHemophilia
■650  4▼aFunding
■650  4▼aGraph  representations
■650  4▼aTaxonomy
■650  4▼aHuntingtons  disease
■650  4▼aBipolar  disorder
■650  4▼aGenomes
■650  4▼aCoronaviruses
■650  4▼aVisualization
■650  4▼aKnowledge  representation
■650  4▼aCOVID-19
■650  4▼aClinical  psychology
■650  4▼aGenetics
■650  4▼aMedicine
■690    ▼a0622
■690    ▼a0369
■690    ▼a0564
■71020▼aThe  Pennsylvania  State  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0176
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164430▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books