MuSe-GNN：从多模态生物图数据中学习统一的基因表示

Sep, 2023

MuSe-GNN：从多模态生物图数据中学习统一的基因表示

MuSe-GNN: Learning Unified Gene Representation From Multimodal Biological Graph Data

Tianyu Liu, Yuge Wang, Rex Ying, Hongyu Zhao

TL;DR在这项研究中，我们通过引入一种名为多模态相似性学习图神经网络的新型模型，结合多模态机器学习和深度图神经网络，从单细胞测序和空间转录组学数据中学习基因表示，以解决在不同生物医学环境中发现具有类似功能的基因的挑战。我们的模型通过为模型训练和基因表示生成创建信息丰富的图结构，并结合加权相似性学习和对比学习的正则化，学习跨数据的基因 - 基因关系，从而确保我们能够提供包含功能相似性的基因表示。广泛的基准测试分析显示，我们的模型能够有效地捕捉多种模态下的基因功能相似性，其基因表示学习的性能超过当前最先进方法高达 97.5％。此外，我们将生物信息学工具与基因表示结合使用，揭示通路富集、调控因果网络和与疾病相关或剂量敏感的基因功能。因此，我们的模型能够高效产生用于分析基因功能、组织功能、疾病和物种演化的统一基因表示。

Abstract

Discovering genes with similar functions across diverse biomedical contexts poses a significant challenge in gene representation learning due to data heterogeneity. In this study, we resolve this problem by introducing a novel model called Multimodal Similarity Learning Graph Neural Ne

gene representation learning multimodal machine learning deep graph neural networks functional similarity gene functions

发现论文，激发创造

多模态单细胞数据集成的图神经网络

本文介绍了一种名为 scMoGNN 的图神经网络框架，用于多模态单细胞技术数据的模态预测，模态匹配和联合嵌入，取得了 SOTA 的成果，并在 NeurIPS 2021 竞赛中获胜，所有实现都已整合到 DANCE 软件包中。

Mar, 2022

UMLS 知识图谱上的多模态图学习

机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习（MMUGL）的新方法，用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况，然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较，并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。

Jul, 2023

组织特异性多组学图表示学习

本研究利用图嵌入模型（即 VGAE）对组织特异性基因基因相互作用网络进行链接预测。经过消融实验，我们证明了多个生物模态（即多组学）的组合会导致更强大的嵌入并提高链接预测性能。我们的结果表明，基因甲基化和 RNA 测序数据的整合显着提高了链接预测性能。总体而言，RNA 测序和基因甲基化数据的组合使得基因基因相互作用网络上的链接预测准确率达到了 71％。本研究通过对多组学数据的图表示学习，为当前有关生物信息学中多组学整合研究带来了新的见解。

Jul, 2021

基因网络预测的通用正则化增强图表示学习

基于基因网络的表示学习中，我们提出了一种新颖的 UNGNN (Universal Normalized GNN) 框架，它通过在消息传递阶段和读取层中利用通用图归一化来增强基于 GNN 的性能，实现了 16% 的整体性能提升。

Sep, 2023

分子属性预测的图多相似性学习

我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

Jan, 2024

多模态信息下的分子联合表示学习

本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

Nov, 2022

利用图神经网络学习基因组序列表示在 De Bruijn 图上的应用

基于同源图网络编码器和节点相似性构建正样本，我们提出了融合上下文信息和结构信息的 k-mer 嵌入方法，用于鲁棒的序列表示，从而在编辑距离近似和最接近字符串检索任务中，始终优于先前技术。

Dec, 2023

基于嵌入式多模式学习的全面鳞癌的生存结果改善

用于患者生存预测的基于多模态数据的图神经网络框架 PARADIGM 优于其他模型，通过整合多种数据视角，提供全面的疾病认知。

Jun, 2024

基于多模态图学习的疾病预测

本研究提出了一种多模态图学习框架（MMGL）来预测疾病，该框架对每种模式的特征进行聚合，通过自适应图学习来捕获患者之间的内在联系，并在两个疾病预测任务上获得了更好的性能。

Mar, 2022

scBiGNN: 基于双层图表示学习的单细胞 RNA 测序数据细胞类型分类

通过建立基于基因和细胞层面的双层图表征学习方法（scBiGNN），在单细胞分类中同时挖掘基因之间和细胞之间的关系，以提高分类准确性。实验证明，scBiGNN 在单细胞 RNA 测序数据的细胞类型分类中优于现有方法。

Dec, 2023