蛋白质网络的事件嵌入：生物功能的组合式学习
机器学习
2026-04-02 v1
摘要
在本工作中，我们研究了在蛋白质-蛋白质相互作用网络中施加严格的组合结构是否能在序列嵌入的应用中产生有意义的几何组织。利用Event2Vec——一种加性序列嵌入模型，我们在来自人类STRING互作组的随机游走上训练了64维表示，并与基于Word2Vec的DeepWalk基线（在同一游走上训练）进行了比较。我们发现，组合结构显著提升了通路一致性（30.2倍对比随机2.9倍）、功能类比准确率（平均相似度0.966对比0.650）和层次化通路组织，而范数-度反相关等几何性质与或优于非组合基线。这些结果表明，强制组合性特别有利于生物网络中的关系和组合推理任务。
引用
@article{arxiv.2604.00911,
title = {Event Embedding of Protein Networks : Compositional Learning of Biological Function},
author = {Antonin Sulc},
journal= {arXiv preprint arXiv:2604.00911},
year = {2026}
}
备注
Machine Learning for Genomics Explorations (MLGenX) ICLR 2026 Workshop