3.3.2 药物-药物相互作用(DDI)预测药物-药物相互作用(DDI)会影响不同药物组合的效果，甚至导致严重的不良反应 。有效的DDI预测对患者和降低药物开发成本至关重要 。
基于多数据源 ， Karim等人将各种KGE方法与卷积LSTM和经典机器学习分类器相结合用于DDI预测 。他们形成了一个由数据集DrugBank、PharmGKB和KEGG中的药物特征组成的知识图谱 。Park等人开发了一种基于注意力的GCN，用于从生物医学文献中提取DDI 。为了提高现有DDI预测方法的可扩展性和稳健性，Chen等人探索了一种基于图表示学习的方法来更准确地预测DDI 。Celebi等人比较和评价了用于预测DDI的不同KGE方法 ， 并在不相交交叉验证下测试了DDI预测任务 。
3.4 医疗保健中的图表示学习最近的基于图表示学习的计算方法也被用于集成和利用多模式医疗系统数据，如生物医学知识图、电子健康记录(EHR)、电子病历(EMR)和生物医学图像，以更好地实现个性化医疗 。EHR或EMR通常由具有层次结构的国际疾病分类代码来表示，它可以自然地表示为全面的医学知识图 。也可以涉及疾病症状、分子信息、药物相互作用和副作用信息 。
为了促进医学和医疗保健中的临床决策支持系统 ， Rotmensch等人开发了一种自动化方法，用于从EMR中挖掘和构建连接疾病和症状的高质量医学知识图谱 。Ruiz等人提出了一种解释疾病治疗的有效方法，他们将多个受疾病干扰的蛋白质、药物靶点和生物功能整合到一个多尺度的交互组中，并开发了一种基于随机游走的方法来捕捉药物如何通过PPI和生物功能发挥作用 。多尺度交互作用组预测与疾病治疗相关的药物疾病关联、蛋白质和生物功能，并预测影响治疗效果和不良反应的基因 。基于脑部磁共振成像图像，Song等人提出了对阿尔茨海默病进行分类的方法 。Wu等人在中提出了ME2Vec来学习EHR中一般实体的连续低维嵌入，将医疗服务、医生和患者分别用word2vec、GAT和LINE嵌入 。为了避免手动标记电子病历数据的限制，Sun等人提出了一种基于广义神经网络的疾病预测模型，利用外部知识库对不足的电子病历数据进行扩充，以患者病历图和医学概念图为基础学习疾病、症状和患者的有效表示 。他们进一步研究了GAT和图同构网络聚集器以进行比较 。此外，Choi等人提出了一种图卷积变换来学习EHR的隐藏结构，而不是将EHR数据视为扁平结构的特征袋 。
4.挑战和机遇尽管图表示学习在不同的生物医学任务中显示出了良好的结果，但多组学数据集成将继续促进生物和医学研究 。然而，目前关于生物医学图的图表示学习并不足以在任何条件下为任何生物和医学图提供令人难以置信的解决方案 。未来的发展方向既有挑战，也有机遇 。
4.1 数据质量与其他领域干净、组织良好的数据相比 ， 生物医学图通常稀疏、噪声和不完整 。
同时，收集原始和可靠的数据通常需要耗时和费力的湿实验，并且需要进行大量的湿实验 。同时 ， 生物医学数据分散、积累快，缺乏良好的结构 。鉴于生物医学数据的稀疏性和不完全性 ， 更好地集成多源高质量数据并开发有针对性的图表示学习方法是一个具有挑战性的问题 。
4.2 复杂的图结构图结构在生物医学和医疗保健应用中具有灵活性和复杂性 。人们对同质图的处理做了各种努力，一些工作考虑了更复杂的图结构，例如异构图和时空动态图(在现实的生物医学场景中 ， 节点和链接可能会出现和消失，图会随时间动态变化) 。此外，scRNA-seq数据和与领域知识相关的数据也提供了有希望的机会，但这些数据具有复杂的图表结构 。如何处理面向下游应用的复杂生物医学图是一个很有前景的问题 。
4.3 可解释性和鲁棒性生物医学的风险敏感场景对图表示学习方法的可解释性和鲁棒性提出了更高的要求，而基于神经网络的GNN仍然是黑盒，缺乏可解释性 。因此，解释深度图学习结果的能力在决策应用中至关重要 。此外，作为许多基于深度学习的模型，如CV和NLP领域，这些图表示学习方法容易受到对抗性攻击 。更强大和可解释的图表示学习方法对于将图表示学习应用于具有可信解释和可信防御的生物医学问题非常重要 。
结论图表示学习将全面的图结构生物医学数据和先进的机器学习方法联系起来，促进了从分子到医疗保健系统的生物医学研究 。在这项工作中，我们对图表示学习及其在生物信息学中的应用进行了全面和系统的调查 。总结了图嵌入方法(包括同构图嵌入、异构图嵌入、属性网络嵌入)和新兴的GNN(如GRN、GCN、GAE和GGAN) 。我们分析了图表示学习在分子、基因组学、制药和医疗保健领域的代表性应用 。此外，还总结了用于图表示学习的开源平台和库 。我们相信这项工作可以促进图表示学习和生物医学研究 。
