HGTDR:用异构图转换器推进药物再利用
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
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
本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用,通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联,并且利用高级药物对预测药物间相互作用进行性能优越的预测。
Feb, 2024
针对自动驾驶中编码驾驶场景以进行轨迹预测的任务,本文提出了一种新颖的骨干网络,称为异构驾驶图变换器 (Heterogeneous Driving Graph Transformer, HDGT),将驾驶场景建模为具有不同类型节点和边的异构图,并在图神经网络 (GNN) 的聚合模块中采用分层的变换器结构来适应输入的异构性,实验结果表明,该方法在 INTERACTION Prediction Challenge 和 Waymo Open Motion Challenge 中取得了新的最优结果。
Apr, 2022
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
机器学习在药物开发过程中被广泛应用,然而药物响应预测中的模型解释性是一个重要挑战,本研究通过构建异质图来设计了一种名为 drGAT 的图深度学习模型,用于药物敏感性预测和药物机制的解释,该模型在预测药物敏感性方面表现出优越性能,也能用于寻找与癌症患者治疗相关的生物标志物。
May, 2024
本文介绍了一种用于建模 Web 规模异构图的异构图转换器架构(HGT),通过设计基于节点类型和边类型的参数来实现异构性,并引入相对时间编码技术和异构迷你批图采样算法来处理动态异构图数据,实验表明,所提出的 HGT 模型在各种下游任务中始终优于所有最先进的 HNN 基线 9%至 21%。
Mar, 2020
该论文探讨了如何利用异构领域信息来提高文献中关系抽取的性能,并针对药物间关系进行了实例研究,实现了神经关系抽取模型和知识图谱相结合的方法。
Dec, 2022
本研究提出了一种新颖的 DTA 预测方法,名为 HGTDP-DTA,该方法利用混合图转换器框架中的动态提示,生成每个药物 - 靶点对的上下文特定提示,进而增强模型捕捉独特的相互作用,并采用多视图特征融合方法将分子图视图和亲和子图视图投影到一个公共特征空间,从而高效地结合了结构和上下文信息。实验结果表明,HGTDP-DTA 在预测性能和泛化能力方面均优于现有的 DTA 预测方法。
Jun, 2024
通过构建一个异构图,并引入新的三元关注机制,我们开发了一种名为 HeTriNet 的模型,可以更好地理解药物 - 靶标 - 疾病之间的相互作用,并在预测这种三元关系问题上显示出了出色的性能。
Nov, 2023