4.(2021.6.24)Briefings-生物信息学中的图表示学习:趋势、方法和应用论文标题: Graph representation learning in bioinformatics: trends, methods and applications论文期刊: Briefings in Bioinformatics 2021论文地址: https://www.researchgate.net/profile/Haicheng-Yi/publication/354327323_Graph_representation_learning_in_bioinformatics_trends_methods_and_applications/links/625c158c709c5c2adb836141/Graph-representation-learning-in-bioinformatics-trends-methods-and-applications.pdf
- 4.(2021.6.24)Briefings-生物信息学中的图表示学习:趋势、方法和应用
- 摘要
- 1.引言
- 2.图表示学习概述
- 2.1 基本定义
- 2.1.1 定义1:同构图和异构图
- 2.1.2 定义2:属性图
- 2.1.3 定义3:元路径
- 2.1.4 定义4:一阶邻近度
- 2.1.5 定义5:高阶邻近度
- 2.1.6 定义6:语义邻近
- 2.2 同构图嵌入
- 2.2.1 基于矩阵分解的方法
- 2.2.2 基于随机游走的方法
- 2.2.3 基于传统深度学习的方法
- 2.3 异构图嵌入
- 2.3.1 基于元路径的方法
- 2.3.2 基于分解的方法
- 2.3.3 基于传统深度学习的方法
- 2.4 属性图嵌入
- 2.5 图神经网络(GNN)
- 2.5.1 图递归神经网络(GRN)
- 2.5.2 图卷积神经网络(GCN)
- 2.5.3 图自动编码器(GAE)
- 2.5.4 图生成对抗性网络(GGAN)
- 2.5.5 开源
- 2.1 基本定义
- 3.在生物信息学中的应用
- 3.1 分子图的表示学习
- 3.1.1 分子表示学习
- 3.1.2 分子性质预测
- 3.1.3 分子图生成
- 3.2 多组学中的图表示学习
- 3.2.1 基因组学图分析
- 3.2.2 蛋白质组图分析
- 3.2.3 转录组图分析
- 3.3 药学中的图表示学习
- 3.3.1 药物-靶点相互作用(DTI)预测
- 3.3.2 药物-药物相互作用(DDI)预测
- 3.4 医疗保健中的图表示学习
- 3.1 分子图的表示学习
- 4.挑战和机遇
- 4.1 数据质量
- 4.2 复杂的图结构
- 4.3 可解释性和鲁棒性
- 结论
1.引言图是一种自然的数据结构,它包含一组对象和对象之间的两两关系的集合,是描述和建模现实生活中普遍存在的复杂系统的通用语言,如社交网络、学术引文网络和词语同现网络(不同单词出现在同一句子中) 。从分子结构到医疗保健系统,生物医学图在生物医学和生命科学领域无处不在,例如,基因调控网络、蛋白质相互作用(PPI)网络、人脑连接体和生物医学知识图谱 。图正日益成为生物医学系统建模、学习和推理的主要工具 。
分子生物学、生理学和组学(例如基因组学、蛋白质组学等)的快速发展促进了人们对生物分子、细胞、器官如何协同进行重要的生化或生理活动的理解 。将生物组件表示为节点 , 将节点之间的相互作用表示为边 , 可以自然地将复杂的生物系统建模为图 。这一简洁的概念正逐渐被研究人员接受和推广 。为解决生物问题而建模和分析生物图的趋势可以分为三个阶段:双边生物图、多关系生物图和多模态生物医学知识图 。我们对它们作如下简要介绍:
- 双边生物图 。它包含两种生物对象以及它们之间的联系 。它已经应用于许多重要的生物学任务,例如基于PPI图的蛋白质功能注释,从DTI图推断药物的新适应症,"miRNA-疾病"关联预测,"lncRNA-疾病"关联预测和"CircRNA-疾病"关联检测;
推荐阅读