Multi­way Relation Classification:Application to Protein­Protein Interactions

Barbara RosarioMarti A. Hearst2005

Farzaneh Sarafraz30 April 2009

   

HIV­1 Human Protein Interactions Database Pair of Proteins Interaction type(s) between them PubMed ID (etc.)

   

Data

2224 records (now 5134) 65 interaction types (now 68) 809 proteins (now 1434 + 9 and 2295 pairs) 984 articles (now 3099) Average 1.9 interactions per PP (max = 23) Average 5.9 interactions per article (max = 90)

   

Goal

For every “triple”− PP− A (Article with unique pmid)

Find the interaction type− (ignore 7.7% of the triples with > 1 interaction)

   

NER

LocusLink “Conservative” approach No co­reference analysis Not good recall High precision

   

Method – assuming one interaction

For a subset of all the PPs (45%)− Get all full text articles− Get the sentences that have both PP− Group as “papers”

Also for a tripe PPA− Get the papers that cite A− Get the sentences that have PP and mention A− Group as “citances”

   

Training Data Construction

“papers”− 0.5 sentence per triple (max 79)− 50.6 sentences per interaction type (max 119)

“citances”− 0.4 sentence per triple (max 105)− 49.2 sentences per interaction type (max 162)

Include an interaction type if >40 in both

   

Interaction Types

   

Task

Given a PPA triple Extract sentences that have PP Predict for the entire PPA one of 10 interaction 

types

   

Models

Generative− Dynamic Graphical Model− Simple Naïve Bayes Classifier

Discriminative− Neural Network (feed­forward, conjugate gradient)

   

Dynamic Graphical Model

Based on previous work Roles: PROTEIN, NULL Features: words

   

DM – Assumptions 

There is an interaction Single interaction per sentence As many role states as words Words = features

− One feature node per role− Roles are hidden− Protein names may be masked

   

Evaluation

Document­level− (Not all the sentences describe an interaction)− For every triple an interaction is assigned to the 

whole document− Using two methods:

Mj Cf

   

Mj

for each triple− for each sentence of the triple

find the interaction that maximises the posterior probability of the interaction given features

assign to all sentences of the triple the most frequent interaction

   

Cf

get all conditional probabilities (do not assign per sentence)

for each triple− choose the interaction that maximises the sum over 

all the triple's sentences

   

Results

   

Comparison

Trigger word− 70 triggers for 10 interactions− Co­occurrence− Choose the “most specific” type− If both specific or no trigger, choose nothing− Back­off: if in doubt, choose the most frequent 

interaction

   

Comparison

− Key(B): trigger word (backoff)− Base: the most frequent interaction

   

Sentence­Level Experiments

Manual annotation of 2114 sentences 68.3% disagreed with HIV database Contacted some of the authors

− DB error− Contradiction

“require” but under certain conditions “inhibit”

   

Sentence­Level Evaluation

   

Thank you.