面向药物发现的生物医学网络自监督表示学习多任务联合策略
机器学习
2022-12-20 v2 人工智能
定量方法
摘要
生物医学网络上的自监督表示学习（SSL）为药物发现提供了新机遇。然而，如何有效组合多个 SSL 模型仍具挑战性且鲜有探索。为此，我们提出面向药物发现的生物医学网络自监督表示学习多任务联合策略，称为 MSSL2drug。我们受异质生物医学网络中结构、语义和属性等多种模态特征启发，设计了六项基础 SSL 任务。重要的是，通过基于图注意力的多任务对抗学习框架，在两个药物发现场景中对十五种多任务组合进行了评估。结果揭示了两点重要发现：（1）与其他多任务联合模型相比，多模态任务组合取得了最佳性能。（2）当模态规模相同时，局部-全局组合模型的表现优于随机双任务组合。因此，我们推测多模态与局部-全局组合策略可作为药物发现中多任务 SSL 的指导原则。
引用
@article{arxiv.2201.04437,
title = {Multi-task Joint Strategies of Self-supervised Representation Learning on Biomedical Networks for Drug Discovery},
author = {Xiaoqi Wang and Yingjie Cheng and Yaning Yang and Yue Yu and Fei Li and Shaoliang Peng},
journal= {arXiv preprint arXiv:2201.04437},
year = {2022}
}
备注
44 pages, 11 figures