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

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

本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法，解决了药物设计中如何确定哪些分子的哪些方面对其最终活性/性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。

Jan, 2022

本文发展了一种基于图神经网络和分子图编码的多类多标签预测模型，旨在通过提高分类效果，提前预测药物副作用，从而减少药物住院和提高新药研发效率。

Nov, 2022

本文提出了一种GraphGANFed框架，该框架将图形卷积神经网络（GCN）、生成对抗网络（GAN）和联邦学习（FL）作为整体系统来生成新的分子，而不共享本地数据集，实现了数据隐私的保护，并且在三个基准数据集上进行了广泛的模拟，证明了GraphGANFed的可行性和有效性。

Apr, 2023

本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。

Jun, 2023

我们提出了一种使用稀疏学习在图神经网络中的方法（SLGNN），该方法通过使用基于化学亚结构的图来表示药物分子，并结合广义融合套索和消息传递算法来识别对于药物-蛋白质结合预测至关重要的连接子图。结果表明，SLGNN识别出的关键结构在化学上是有效的，具有较高的预测能力，并且包含了大部分结合位点。

Aug, 2023

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。

Nov, 2023

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

药物靶标相互作用的预测对于发现新的治疗方法和检测作用机制至关重要。该论文引入了MOTI$VE$数据集，该数据集包含来自七个公开数据库的细胞绘画特征、11000个基因和3600个化合物之间的关系，并提供了随机、冷源（新药物）和冷靶（新基因）数据分割，以便在实际的使用情况下进行严格评估。我们的基准结果表明使用细胞绘画特征的图神经网络一致优于仅从图结构学习、基于特征的模型和拓扑启发式方法。MOTI$VE$通过促进更可靠的药物靶标相互作用预测模型的开发，加速了图机器学习研究和药物发现。MOTI$VE$资源可在此网址获得。

Jun, 2024