Dec, 2023

学习去噪不可靠的相互作用，用于生物医学知识图的链接预测

PDF
TL;DR利用生物医学知识图谱（KG）中的链接预测能够预测实体之间的未知相互作用，包括药物靶标相互作用（DTI）和药物药物相互作用（DDI），该研究提出了一种去噪链接预测框架（DenoisedLP），以在可学习的方式下，从局部子图中得到可靠的相互作用，并通过模糊冲突关系来强调信息有用的相互作用，通过实验结果验证了其在 DTI 和 DDI 预测任务上的优越性和去噪不可靠相互作用对受污染 KG 的有效性和鲁棒性。
link predictionbiomedical knowledge graphsdrug-target interactiondrug-drug interactiondenoising
发现论文，激发创造
  • 基于知识图谱嵌入和卷积 - LSTM 网络的药物相互作用预测

    本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

    Aug, 2019

  • 准确且可解释的药物相互作用预测：基于知识子图学习的方法

    通过知识图谱中的生物医学领域信息，使用深度学习技术和图神经网络，基于药物的图表示，预测和解释药物之间的潜在相互作用，以弥补已知药物之间相互作用稀缺性的不足，在药物交互作用预测中取得了领先的性能，促进了生物医学和医疗保健的发展。

    Nov, 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

  • 朝着更具归纳性的药物重用方法的世界迈进

    该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。

    Nov, 2023

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 基于自动噪声检测的实体链接远程学习

    本文介绍了一种在没有标记数据的情况下，通过多实例学习和噪声检测的方法，学习从知识库中链接提及的实体，特别是对于科学领域等标记信息有限的领域。

    May, 2019

  • 双层图神经网络用于药物相互作用预测

    提出了一种名为 Bi-GNN 的方法，用于建模生物学链接预测任务，如药物相互作用（DDI）和蛋白质相互作用（PPI），该方法不仅利用了药物分子本身的图形表示，还包括相互作用图。

    Jun, 2020

  • 具有语义相关性感知的广义关系学习用于链接预测

    该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。

    Dec, 2020

  • 基于关系提炼的无链接链路预测

    本文研究以知识蒸馏技术加快图神经网络（GNN）的边预测任务，尝试了基于预测对数和节点表示的两种直接应用知识蒸馏技术方法，提出了一种名为 LLP 的基于关系知识的框架，能够显著提高 MLP 的边预测性能，并比 GNNs 更高效。

    Oct, 2022

  • 利用图能量神经网络预测相关药物相互作用

    本文提出使用图能量神经网络 (GENN) 来显式建模链接类型相关性进行药物作用预测，其中能量函数由图神经网络定义。在两个真实的药物数据集上进行实验证明 GENN 优于其他基线模型并实现了 13.77% 和 5.01% 的 PR-AUC 改进。

    Oct, 2019