Construindo gráficos de conhecimento e suas aplicações biomédicas

Os gráficos de conhecimento podem apoiar muitas aplicações biomédicas. Esses gráficos representam conceitos e relações biomédicas na forma de nós e arestas. Nesta revisão, discutimos como esses gráficos são construídos e aplicados, com um foco particular em como as abordagens de aprendizado de máquina estão mudando esses processos. Os gráficos de conhecimento biomédico foram frequentemente construídos integrando bancos de dados que foram preenchidos por especialistas por meio de curadoria manual, mas agora estamos vendo um uso mais robusto de sistemas automatizados. Um número de técnicas é utilizado para representar gráficos de conhecimento, mas frequentemente métodos de aprendizado de máquina são usados para construir uma representação de baixa dimensionalidade que pode suportar muitas aplicações diferentes. Essa representação é projetada para preservar a estrutura local e/ou global de um gráfico de conhecimento. Métodos adicionais de aprendizado de máquina podem ser aplicados a essa representação para fazer previsões em domínios genômicos, farmacêuticos e clínicos. Estruturamos nossa discussão primeiro em torno da construção de gráficos de conhecimento e depois em torno da unificação de técnicas de aprendizado representacional e aplicações unificadas. Os avanços em aprendizado de máquina para biomedicina estão criando novas oportunidades em muitos domínios, e observamos avenidas potenciais para trabalhos futuros com gráficos de conhecimento que parecem particularmente promissores.