专家知识与机器理解：连接Reactome本体与大语言模型语义嵌入

像 Reactome 这样的生物知识库提供了高质量的途径，包括生物元素的关系和文本描述（元数据）。此类路径的质量是通过手动管理来保证的，但这提出了重大的可扩展性挑战。最近，人们提出了许多 NLP 工具来解决这个问题，利用文本信息自动扩展生物知识库。然而，迄今为止，很少有人进行探索来评估文本描述之间的关系是否反映了更高阶的生物关系。本研究探讨了 Reactome 中的人类书写描述是否可用于推断专家定义的全局层次结构。为了测试这一点，我们从Reactome中提取了智人的路径层次结构及其反应（Reactome Hierarchy），并使用文本元数据重建语义层次结构，将句子转换器模型（SPECTER2）与改进的凝聚嵌套算法和图重建算法相结合。定量（拉普拉斯谱距离和引导）和定性（全局拓扑度量）分析证实了我们的假设，并表明路径的全局层次结构可以通过专家文本元数据推断出来。