Promotie W.J. (Wytze) Vlietstra

Korte samenvatting van het proefschrift:

Kennisgrafen gebruiken een graaf als datamodel om kennis over de wereld weer te geven. Ze bestaan uit knopen die relevante entiteiten representeren en verbindingen die de relaties tussen deze entiteiten aanduiden. Aan deze knopen en verbindingen kunnen verschillende semantische eigenschappen worden toegekend. Deze eigenschappen beschrijven de klasse van de entiteit, bijvoorbeeld “gen” of “ziekte”, het type relatie (ook wel predicaat genoemd), zoals “stimuleert” of “behandelt”, of de herkomst van relaties via referenties naar de bronnen van de relaties.

Het modelleren van kennis als een graaf benadrukt de relaties tussen entiteiten. Daarmee vormen kennisgrafen een geschikt hulpmiddel om computationele analyses uit te voeren voor domeinen met complexe interacties en sequenties van gebeurtenissen, zoals het biomedisch domein.
Semantische eigenschappen bieden extra informatie, waarvan wordt aangenomen dat het computationele analyses kan verbeteren. De meerwaarde van het gebruik van semantische eigenschappen is echter nog niet uitgebreid onderzocht.

Daarom zijn in dit onderzoek computationele methoden die deze eigenschappen gebruiken ontwikkeld en onderling vergeleken, waarbij ze zijn toegepast op biomedische vraagstukken. Hiertoe behoren het identificeren van biomarkers, het vinden van nieuwe indicaties voor bestaande geneesmiddelen, screening van de werkzaamheid van geneesmiddelen, het identificreren van ziektetrajecten, en het identificeren van genen waarvan de expressie door ziekte-geassocieerde SNPs op het non-coderende deel van het genoom beinvloed wordt.

Wij constateren dat methoden die de klassen van entiteiten, predicaatinformatie en herkomstinformatie over het algemeen betere resultaten boeken dan methoden die deze niet gebruiken. De meerwaarde van deze semantische eigenschappen voor computationele analyses uitgevoerd op biomedische kennisgrafen is daarmee aangetoond.