摘要本文介绍了一种名为Petagraph的大规模统一知识图谱框架旨在整合生物医学数据。在过去的十年中可用的生物医学数据的数量和质量都显著增长。为了更有效地利用这些庞大数据并减轻与整合多组学数据相关的挑战我们开发了Petagraph这是一个包含超过3200万个节点和1.18亿条关系的生物医学知识图谱。Petagraph利用统一生物医学知识图谱UBKG中的180多个本体和标准嵌入数百万个定量基因组学数据点。Petagraph提供了一个连贯的数据环境使用户能够高效地分析、注释和辨别由UBKG的注释支架支持的多组学复杂数据集内部及跨数据集的关系。我们展示了如何在Petagraph上进行查询以在各种研究背景和用例中生成有意义的结果。阅读原文或https://t.zsxq.com/0Wffi获取原文pdf背景与摘要生物医学数据的年度增长量和复杂性对有兴趣进行全面数据整合的分析人员构成了重大挑战并且需要高级工具来挖掘包括组学数据的生物医学数据集的潜力。知识图谱是整合和分析大型生物医学数据集内外异构数据的最佳近期解决方案。知识图谱能够有效地整合和分析大型生物医学数据集内部及其跨数据源的异构数据。诸如节点和链接预测算法、监督和无监督机器学习等方法可以应用于生物医学知识图谱以应对多种类型的使用场景。大多数生物医学知识图谱都是针对特定使用场景定制的。近年来知识图谱的采用迅速增长其应用涵盖药物发现、药物再利用以及预测药物靶点等。其他生物医学知识图谱提供了整合的异构COVID-19数据、肿瘤学数据集以及基因-疾病关联。这些知识图谱非常具有应用特定性这对于效率和数据分析来说是可预期的。像Petagraph和GenomicKB这样整合了一般基因组数据的知识图谱18预计数量会增加这在很大程度上得益于本体论统一项目如Monarch Initiative和基因组数据标准如GA4GH等项目的成熟。为促进知识图谱在生物医学研究界的广泛应用我们旨在开发一个包含本体论、词汇表、标准和常用数据资源包括组学数据的模块化知识图谱框架。该框架将使得能够为多种应用高效创建知识图谱。我们对这个知识图谱框架的要求包括需要在一个由相互连接的标准和本体论系统组成的网络中容纳各种组学数据类型以便摄取并将实验衍生数据无缝链接到图谱内其他数据源。Github链接: https://github.com/petgraph/petgraph核心速览研究背景研究问题这篇文章要解决的问题是如何有效地整合和分析与生物医学数据相关的多组学数据。随着生物医学数据的数量和复杂性不断增加现有的工具难以高效地处理这些数据。研究难点该问题的研究难点包括数据来源多样且复杂数据格式不统一缺乏标准化的数据整合和分析方法。相关工作该问题的研究相关工作包括构建特定应用的知识图谱如药物发现、疾病预测等、集成COVID-19数据、肿瘤学数据集和基因-疾病关联等。然而这些知识图谱大多是针对特定应用的缺乏通用性。研究方法这篇论文提出了Petagraph一个大规模的统一知识图谱框架用于整合生物分子和生物医学数据。具体来说知识图谱构建Petagraph基于NIH统一医学语言服务UMLS构建采用属性图形式包含105个英文本体和标准定期从UMLS发布中更新。数据整合Petagraph通过添加超过1200万个节点和1.18亿个关系将多种组学数据嵌入到UBKG的本体结构中。这些数据包括基因组、转录组、蛋白质组和临床数据。模块化设计Petagraph采用模块化设计允许用户根据特定需求添加和子集化数据。用户可以利用UBKG的摄入协议轻松集成新的数据源。数据清洗和格式化使用OWLNETS格式将数据从多种数据源转换为三元组表示并使用PheKnowLator包将语义信息转换为OWLNETS格式。实验设计数据收集从多个数据源收集了包括人类和老鼠的基因-表型映射、基因表达数据、单细胞RNA测序数据等。具体数据集包括HCOP、IMPC/KOMP2、MONDO、PheKnoWLator、RATHCOP、GENCODEHSCLO38、MSIGDB等。数据预处理对收集的数据进行清洗和格式化确保数据的一致性和完整性。使用预处理脚本将数据转换为UBKG CSV格式。知识图谱构建使用Neo4j批量导入工具将处理后的数据导入到Neo4j数据库中构建Petagraph知识图谱。结果与分析数据规模Petagraph包含了超过3200万个节点和1.18亿个关系增加了超过1200万个节点关系数量翻倍。数据整合效果通过整合多种数据源Petagraph能够支持复杂的跨组学数据分析。例如通过连接基因表达数据和表型数据可以快速识别与特定表型相关的基因。验证分析通过链接预测、局部结构分析和低维可视化等方法验证了Petagraph的有效性。链接预测结果显示直接连接的基因对的Common Neighbors得分比随机选择的基因对高出约三个数量级。应用案例通过三个应用案例验证了Petagraph的相关性。第一个案例是重新预测先天性心脏病与基因之间的关系第二个案例是预测药物副作用第三个案例是通过最短路径分析研究中枢神经系统形态与脑肿瘤之间的关系。总体结论这篇论文提出的Petagraph框架有效地整合了多种生物医学数据提供了一个通用且可扩展的知识图谱解决方案。通过整合超过3200万个节点和1.18亿个关系Petagraph支持复杂的跨组学数据分析并在多个应用案例中验证了其有效性。Petagraph的模块化设计和可扩展性使其成为生物医学研究社区中有价值的资源有助于新发现的产生和对复杂生物系统的深入理解。论文评价优点与创新大规模数据集Petagraph包含超过3200万个节点和1.18亿个关系是目前最大的生物医学知识图谱之一。多领域数据整合Petagraph整合了基因组学、转录组学、蛋白质组学和临床数据等多种类型的数据支持系统性的分析。模块化设计Petagraph采用模块化设计允许用户根据特定需求添加或子集化数据具有高度的灵活性和可扩展性。丰富的注释环境Petagraph利用统一的生物医学知识图谱UBKG的注释支架提供了丰富的注释环境便于用户进行数据分析和注释。多种应用场景Petagraph适用于多种研究场景包括基因候选物的特征选择、药物发现和疾病预测等。自动化验证通过持续集成CI工作流程确保Petagraph的最终产品包含正确的模式和节点、边的数量和类型。FAIR原则遵循Petagraph严格遵循FAIR数据原则确保数据的可发现性、可访问性、互操作性和可复用性。开源和可下载Petagraph提供开源代码和数据用户可以自由下载和使用促进了知识的共享和传播。不足与反思数据源复杂性和变化性整合到图谱中的数据源的固有复杂性和变化性是一个挑战确保数据摄取和映射过程的准确性和一致性需要专家参与和持续改进。计算资源和算法的优化随着数据集的不断增加和多样化Petagraph的可扩展性可能会面临约束需要不断优化计算资源和算法。数据选择和集成的潜在偏见特定数据集的选择和集成可能会引入偏见影响图谱结果的准确性和解释。数据选择过程中的仔细考虑和透明度是建议的。关键问题及回答问题1Petagraph在数据整合过程中使用了哪些预处理脚本这些脚本的具体功能是什么Petagraph在数据整合过程中使用了多个预处理脚本具体功能如下4DN_LOOP.R用于创建4DN人类染色体环路的节点和边文件并将这些节点连接到HSCLO概念节点。4DN_Q.R用于创建4DN人类染色体Q值的节点和边文件。ASP2019.ipynb用于创建人类胚胎心脏单细胞标记数据的节点和边文件。CLINVAR.R用于创建ClinVar链接的边文件。CMAPR用于创建CMAP关系的边文件。GTEX.ipynb用于创建GTEx项目中的TPM基因表达和eQTL数据的节点和边文件。GTEXCOEXP.R用于创建GTEx共表达数据的边文件。HGNCHPO.ipynb用于创建HPO与HGNC之间关系的边文件。HPOMP.ipynb用于创建HPO与MP概念节点之间关系的边文件。HSCLO_GENCODE.R用于创建ENSEMBL与HSCLO之间关系的边文件。KF_main.ipynb用于处理Kids First表型与基因型计数数据的工作流程。L1000.R用于创建LINCS L1000关系的边文件。MPMGI.ipynb用于创建IMPC小鼠基因数据的节点和边文件。MSIGDB.R用于创建MSigDB链接基因到通路的边文件。STRING.R用于创建STRING人类蛋白质相互作用的边文件。这些脚本确保了数据从原始格式转换为UBKG CSV格式以便使用Neo4j批量导入工具构建图数据库。问题2Petagraph在验证其结构和性能时采用了哪些方法这些方法的具体结果是什么Petagraph在验证其结构和性能时采用了以下方法链接预测计算了约500,000对基因之间直接连接的Common Neighbors得分并与随机选择的基因对的得分进行比较。结果表明直接连接的基因对的Common Neighbors得分比随机选择的基因对高出约三个数量级。局部结构分析分析了Petagraph概念节点子图的传递性和三角形计数并将其与具有相同节点数和边数但随机连接的图进行比较。结果显示Petagraph的节点传递性和三角形计数显著高于随机图表明其数据结构更为有序和信息一致。低维可视化使用UMAP对Petagraph的子图进行了100维嵌入可视化展示了主要语义类型相关概念节点的空间分布。结果显示同一语义类型的节点在图中聚集在一起表明它们之间的连接概率较高。这些验证方法表明Petagraph不仅在结构上具有高度的一致性和有序性而且在性能上也表现出色能够有效地进行链接预测和分析。问题3Petagraph在三个应用案例中展示了其哪些实用性和相关性应用案例1重新预测先天性心脏病与基因之间的关系方法使用拓扑链接预测方法结合现有基因-表型链接评估四种方法优先连接、总邻居、共同邻居和Jaccard指数的性能。结果Common Neighbors方法和Jaccard指数的ROC AUC值大于0.9接近完美分类器表明Petagraph能够准确预测基因-表型关系。应用案例2预测药物副作用方法查询Petagraph中rofecoxib在所有组织中的共享基因并计算每个组织的基因比例找出与rofecoxib扰动基因表达最相关的组织。结果心率和血管组织与rofecoxib的扰动基因表达高度相关排名最高的组织包括右心耳附件、左心室心肌和冠状动脉。应用案例3通过最短路径分析子图方法构建并分析一个包含54个异常中枢神经系统形态和54个中枢神经系统肿瘤过程节点的子图研究节点度分布、链接遍历频率和最短路径长度。结果子图显示出无标度网络的特征少数高度连接的节点枢纽与大量连接较少的节点相连表明这些枢纽基因在异常中枢神经系统形态和脑肿瘤过程中可能起关键作用。