Nov, 2023

ResMGCN：用于快速生物医学相互作用发现的残差信息图卷积网络

HTML
PDF
TL;DR我们提出了一种新颖的Residual Message Graph Convolution Network（ResMGCN），用于快速而精确地预测生物医学交互，代替了传统方法中纠正远距离节点信息的过程，通过聚合低阶信息和高阶信息来引导节点更新以获得更有意义的节点表示。我们在四个生物医学交互网络数据集上进行实验，包括蛋白质-蛋白质、药物-药物、药物-靶点和基因-疾病交互，结果表明ResMGCN在存储和时间上都比之前的最先进模型表现出更高的效果。
发现论文，激发创造
  • 从生物医学文献中提取蛋白质相互作用的深度学习

    本文提出了一种多通道依存关系卷积神经网络模型（McDepCNN），它将一个通道应用于句子中每个单词的嵌入向量，另一个通道应用于相应单词的头部的嵌入向量，比当前最先进的丰富特征和单核方法效果更好，并在交叉语料库评估上相对提高了24.4％，在“困难”实例上的F1-score相对提高了12％。

    Jun, 2017

  • 利用基因相互作用图进行基因表达卷积

    研究使用深度学习应用到基因表达数据的挑战，发现存在非线性信号但需要使用基因交互图结合图卷积神经网络和基因嵌入以利用图信息来克服数据量不足的问题，但模型表现依赖于图的质量，并发现更多工作需要在这个方向上展开。

    Jun, 2018

  • 可解释的图卷积神经网络用于处理带噪声知识图谱的推断

    本文提出了一种新的 Graph Convolutional Neural Networks 的表达方式，可用于在具有噪声的生物医学知识图上进行链接预测，并且提出了一种正则化的注意机制以提高模型性能和可解释性，通过这些改进方法，我们展示了在海量的生物医学知识图中使用该方法优于其他模型的表现且具有可解释性。

    Dec, 2018

  • 在生物医学网络上的图嵌入：方法、应用和评估

    本文选择11种代表性的图嵌入方法，对药物-疾病关联、药物-药物交互、蛋白质-蛋白质相互作用、医学术语语义分类和蛋白功能预测等5个生物医学任务的3种预测方法进行评估比较，并提出了挑选嵌入方法和设置超参数的普适指导原则。结果表明，最近的图嵌入方法在未使用任何生物学特征的情况下，能够取得与具有生物学特征的方法相媲美的预测性能。

    Jun, 2019

  • SkipGNN：使用Skip-Graph网络预测分子间相互作用

    SkipGNN是一种用于预测分子相互作用的图神经网络。它不仅聚合来自直接相互作用的信息，还利用了跳跃相似性，将二次跳的邻居的信息根据非线性转换融入到预测中，从而得到比现存方法更优异的结果。

    Apr, 2020

  • BERT可能太过复杂：一个基于残差卷积神经网络的小而有效的生物医学实体链接器

    通过探究实体链接任务中基于BERT的模型的内在工作机制，我们提出了一个具有卷积神经网络和残差连接的高效模型，能够在拥有大约60倍更少的参数的情况下实现与现有最先进的BERT-based模型相当甚至更好的实体链接准确性。

    Sep, 2021

  • 基于曲率增强的图卷积网络用于生物分子相互作用预测

    本文提出了一种曲率增强的图卷积神经网络，使用Ollivier-Ricci曲率为节点邻域的特征聚合赋权，用于生物分子相互作用预测，结果显示该模型表现优异。

    Jun, 2023

  • 紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类

    我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用RGB通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在MedMNIST数据集的分类中表现出色，并与现有的深度神经网络相比，参数少1000倍，训练时间和数据需求减少。我们的结果鼓励进一步探索医学影像领域中的其他图神经网络模型。

    Jul, 2023

  • 蛋白质相互作用的图神经网络——简要调查

    蛋白质相互作用（PPI）在广泛的生物过程中起着关键作用。本文回顾了各种基于图的方法，并讨论了它们在PPI预测中的应用。我们将这些方法分为两个主要组，一类采用图神经网络（GNN）或图卷积网络（GCN），而第二类则利用图注意力网络（GAT）、图自编码器和Graph-BERT。我们强调每种方法在处理PPI网络中的图结构数据方面的独特方法，并预测在此领域的未来研究方向。

    Apr, 2024

  • 生物网络中有符号互作预测的深度图模型

    利用图卷积网络和张量分解技术，本研究引入了一种先进的图模型，可以有效预测有符号的化学基因相互作用，展现出更高的预测性能，特别适用于处理生物网络中的极性关系，为药物发现和再利用开辟了新的途径，特别是在理解药物作用机制方面。

    Jul, 2024