生物网络中符号互动预测的深度图模型
机器学习
2025-03-19 v2 分子网络
摘要
预测生物网络中的符号互动对于理解药物机制和促进药物再利用至关重要。虽然深度图模型在建模复杂生物系统方面已显示出成功，但现有方法往往无法区分正负互动，限制了其在精确药理学预测中的实用性。本研究提出了一种新型深度图模型，\textbf{RGCNTD}（Relational Graph Convolutional Network with Tensor Decomposition），用于预测极性（如激活、抑制）和非极性（如结合、影响）化学-基因相互作用。我们的模型将图卷积网络与张量分解相结合以增强特征表示，并纳入冲突感知抽样策略以解决极性模糊问题。我们引入新的评估指标，\textit{AUC\textsubscript{polarity}} 和 \textit{CP@500}，以评估模型区分相互作用类型能力。实验结果表明，\textbf{RGCNTD} 在基准模型方面取得优异性能，实现了更高的分类准确率和更好的极性边的辨识度。此外，我们分析了子图组件对预测性能的影响，揭示了额外的网络结构并不总是提高准确率。这些发现突显了在药物发现和网络药理学中进行极性感知建模的重要性，为预测复杂生物相互作用提供了稳健框架。
引用
@article{arxiv.2407.07357,
title = {A deep graph model for the signed interaction prediction in biological network},
author = {Shuyi Jin and Mengji Zhang and Meijie Wang and Lun Yu},
journal= {arXiv preprint arXiv:2407.07357},
year = {2025}
}