Jul, 2020

基于图神经网络的 Covid-19 药物重定位少样本链接预测

PDF
TL;DR该论文提出了一种归纳方法的关系图卷积神经网络 (inductive RGCN)，帮助在少样本训练时学习有效的关系嵌入，特别是在药物发现中的应用，利用该方法进行 COVID-19 的药物发现任务并发现了多个候选药物。
few-shot learninginductive modelrelation embeddingsdrug discoverygraph structured data
发现论文，激发创造
  • 针对 Covid-19 的药品再利用知识图谱分析

    使用生物知识图谱进行药物再利用，通过预测候选药物的有效性和药物与与疾病相关的蛋白质结合的可能性，通过嵌入模型和神经网络进行学习并实现了不同的模型来获取节点嵌入。在 MR、MRR 和 Hits@3 方面，RESCAL 在测试数据集上表现最佳。

    Dec, 2022

  • 学习外推知识：跨领域几何关系联合推理下的少样本图外关系预测

    该论文介绍了一种名为 Graph Extrapolation Networks（GEN）的新型转导式元学习框架，通过该框架，可以在实现小样本图数据链接预测中超越其他同类方法。

    Jun, 2020

  • 用图卷积网络建模关系型数据

    我们介绍了关系图卷积网络 (R-GCNs) 并将它们应用于标准的知识库补全任务，包括链接预测和实体分类。R-GCNs 旨在应对实际知识库中高度多关系数据的特点，我们证明了它们作为一个独立模型在实体分类方面的有效性，并进一步证明，通过在关系图中累积多个推理步骤的编码器模型来丰富解码器模型，可以极大地提高因子分解模型 (例如 DistMult) 在链接预测方面的表现 (在 FB15k-237 上的表现提高了 29.8%)。

    Mar, 2017

  • 基于关系匿名游走导向神经过程的知识图谱少样本归纳链接预测

    本文提出了一种基于关系匿名游走引导的神经过程模型 RawNP，用于在知识图谱上进行少样本归纳链接预测，并在典型基准数据集上展示出了新的最先进性能。

    Jun, 2023

  • 利用知识图谱预测药物间相互作用

    该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

    Aug, 2023

  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • 大规模药物相互作用预测的分层多关系图表示学习

    本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用，通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联，并且利用高级药物对预测药物间相互作用进行性能优越的预测。

    Feb, 2024

  • 使用图神经网络和小样本学习进行毒性分子分类的基准测试

    采用图卷积网络（GCNs）、图同构网络、多头注意力、大规模对抗增强与少样本学习，本研究在毒性分子的图分类任务中对分子的结构数据与毒理学特性进行精确捕捉。实验表明，与基线 GCN 模型相比，本方法在多样的毒理学数据集上实现了 0.816 的令人瞩目的 AUC-ROC 值，超过基线模型 11.4%，突显了所提出方法和少样本学习在推进毒性分子分类方面的重要性，有望提高药物发现和环境风险评估流程。

    Nov, 2023

  • 知识图谱中的少量样本链接预测的元关系学习

    本研究基于 Meta Relational Learning 框架，针对在知识图谱上进行少样本关系预测的挑战，通过转移关系特异的元信息来实现优化学习，最终在少样本关系预测基准测试中取得了最先进的成果。

    Sep, 2019

  • 利用概念感知信息在时间知识图上进行小样本归纳学习

    该研究提出了一种用于预测时间知识图谱中未出现实体链接的新方法，其中利用元学习和新构建的数据集来实现对未见实体的归纳学习，在此基础上提出了概念感知模型来提高模型比较性能。

    Nov, 2022