通过研究药物再利用的假设生成工具，并结合基于实验室实验和生物医学文献的半自动解析的验证流程，本文介绍了一种基于生物医学知识图谱和超图表示学习的计算方法，用于推断各种长度的生物通路的上下文嵌入，并评估药物在多种疾病的再利用潜力。

Nov, 2023

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

通过利用医疗索赔数据进行 ADRD 风险预测，在评估了 VGNN 模型的效率后，使用关系重要性方法来澄清 ADRD 风险预测的关键关系。VGNN 在接收工作特征曲线下的面积上超越了其他基准模型 10％，整合了 GNN 模型和关系重要性解释方法可为了解 ADRD 进展的因素提供宝贵的洞见，并展示了利用索赔数据进行其他图像分析预测的潜力。

Sep, 2023

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

使用异质文本图形，借助统一医学语言系统中的医学知识，提出了一种基于概念感知注意机制的自然语言处理方法，结合预训练语言模型的上下文化嵌入和卷积图神经网络进行特征表示和关系学习，能有效地自动从文本中检测不良药物事件，表现和最近进展竞争性相当。

Jan, 2023

本研究采用基于 CNN-LSTM 体系结构的神经模型，使用定向和隐式学习的方法从对话转录中学习，从而检测阿尔茨海默病及相关痴呆疾病的存在，实现了对 DementiaBank 数据集的新的最先进性能，将参与者分类为 AD 和对照组的 F1 分数达到 0.929。

Jun, 2019

阿尔茨海默病（AD）是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化，并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架，使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法，提取了输入特征的相关性，增强了对学习表示的理解。实验结果表明，我们的模型能够在 CN/AD 分类中达到 SOA，平均测试准确率为 0.926±0.02。对于 MCI 任务，使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节，并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言，我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力，同时为重要的生物学洞察提供了新的见解。

Jun, 2024

通过知识迁移（从语音通用知识和抑郁症特定知识）处理训练数据稀缺问题，完成了对阿尔茨海默病的自发语音检测和抑郁检测，并在常用 ADReSSo 数据集上获得了 0.928 的 F1 得分。

Oct, 2023

本文提出了一种基于生物知识图谱和交互张量分解的疾病基因预测知识图谱完成模型，称为 KDGene，该方法显著优于现有算法，并可用于识别新的、准确的候选基因，尤其在糖尿病的案例分析中表现出良好的识别能力，这对进一步的实验提供了有价值的参考。

Feb, 2023

通过建立一个名为 K-DReAM 的知识增强生成模型的框架，该研究提出了一个创新方法，以填补生成模型与广泛生物医学知识之间的差距，利用知识图谱的语义信息引导扩散模型，并结合生成模型的功能扩展，从而产生具有特定特征且具备有效性和可合成性的新药候选物。

Feb, 2024