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

Nov, 2023

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

Benchmarking Toxic Molecule Classification using Graph Neural Networks and Few Shot Learning

Bhavya Mehta, Kush Kothari, Reshmika Nambiar, Seema Shrawne

TL;DR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。

Abstract

Traditional methods like graph convolutional networks (GCNs) face challenges with limited data and class imbalance, leading to suboptimal performance in graph classification tasks during toxicity prediction of mo

graph convolutional networks toxicity prediction graph isomorphic networks multi headed attention few-shot learning

发现论文，激发创造

分子属性预测的少样本图学习

本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

Feb, 2021

基于图神经网络的 Covid-19 药物重定位少样本链接预测

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。

Jul, 2020

基于图表示学习的组学数据策略：帕金森病案例研究

该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中，基于样本相似性网络和分子相互作用网络的多个图表示学习模型，包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析，突出了各种架构在提取组学数据模式方面的优点和局限性，为生物医学研究中更准确、可解释的模型铺平了道路。

Jun, 2024

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

基于图原型网络的带属性网络小样本学习

本文提出一种基于图元学习的框架，名为 GPN，用于在属性网络上进行少样本节点分类任务，经过大量实验证明 GPN 模型的优越性。

Jun, 2020

药物发现中的图级表示学习

本文提出了一种新的方法，使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征，同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。

Sep, 2017

少样本节点分类的有监督图对比学习

本篇研究研究了在说名高成本的标注或标签问题下，如何使用监督图形对比学习，数据增强，子图编码和多尺度对比等机制，实现图形节点分类任务的有效编码器。实验表明，相比基于元学习的方法，这个新的框架可以显著提高少样本节点分类问题的性能。

Mar, 2022

应用于分子性质预测的图神经网络上的多任务学习

提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

Oct, 2019

使用图形超网络进行分子属性预测和分类

本文中，研究者探究了基于超网络的替代方法，发现在各种基准测试中具有最先进的成果，尤其在学习基于分子的属性预测和分类方面表现突出，并且解决了超网络的稳定性问题。

Feb, 2020

多头图卷积网络用于结构连接组分类

本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

May, 2023