Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Robustness of Drug-Disease-Association Network Embeddings |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2021 |
| Abstract Text | Graph embedding methods can transform any ontology or graph-like structure into a low-dimensional vector representation. An abundant amount of embedding methods have been proposed to date, and several biomedical networks have shown promising results with the use of such representations. However, the analysis of graph embeddings over an evolving network still remains unexplored. Therefore, we use 17 drug-disease association (DDA) graphs (versions) from an evolving network of the same ontology and apply three established embedding methods. Our approach is to determine the robustness of each embedding method across the evolution by analyzing and comparing the results of two application tasks. We first conduct a local neighborhood comparison of embeddings within the same version, then compare the results across the versions for consistency. Secondly, we use link prediction to find potential associations between drugs and diseases. Here, we compare the performance of each version to the others in order to prove consistency. In addition, we modify the parameters in a task to detect how sensitively the embeddings react to such a change and how it affects the task’s result. This provides a further indication of the robustness of embeddings. Our findings demonstrate that certain versions in the evolution yield a consistent result, and some embedding methods react more strongly to parameter adjustments in a task than others. |
| Zusammenfassung | Eine grosse Anzahl von Graph-Embedding-Methoden wurde bis dato vorgeschlagen, und mehrere biomedizinische Netzwerke haben vielversprechende Ergebnisse mit der Verwendung dieser Repräsentationen gezeigt. Mithilfe solcher Methoden kann jede Ontologie oder graph-ähnliche Struktur in eine niederdimensionale Vektordarstellung umgewandelt werden. Die Analyse von Graph-Embeddings über ein sich entwickelndes Netzwerk bleibt jedoch noch unerforscht. Daher verwenden wir 17 Drug-Disease-Association (DDA)- Graphen (Versionen) aus einem kontinuierlichen Netzwerk der gleichen Ontologie und setzen drei etablierte Embedding-Methoden ein. Unser Ansatz liegt darin, die Robustheit jeder Embedding-Methode über die Entwicklung der Ontologie hinweg zu bestimmen, indem wir die Ergebnisse aus zwei Anwendungsfällen analysieren und vergleichen. Zunächst führen wir einen Local Neighborhood Vergleich von Embeddings innerhalb derselben Version durch und vergleichen die Einheitlichkeit der Ergebnisse. In einem zweiten Schritt versuchen wir potenzielle Zusammenhänge zwischen Medikamenten und Krankheiten vorherzusagen. Hierzu vergleichen wir die Resultate der verschiedenen Versionen ebenfalls auf ihre Einheitlichkeit. Eine weitere Einschätzung zur Robustheit wird durch minimale Anpassungen eines Anwendungsfalles und folglich deren Einfluss auf das Ergebnis erzielt. Unsere Resultate zeigen, dass bestimmte Versionen in ihrer Entwick- lung ein einheitliches Ergebnis liefern, und dass einige Embedding-Methoden stärker auf Veränderungen reagieren als andere. |
| PDF File |
Download
|
| Export |
BibTeX
|