利用高阶图卷积网络预测生物医学相互作用
机器学习
2021-03-29 v1
摘要
生物医学相互作用网络在预测具有生物学意义的相互作用、识别疾病网络标志物以及发现推定药物靶点方面具有巨大潜力。近来，图神经网络被提出用于有效学习生物医学实体的表示，并在生物医学相互作用预测中取得 SOTA 结果。这些方法仅考虑来自直接邻居的信息，却无法学习来自不同距离邻居特征的一般性混合。本文中，我们提出一种高阶图卷积网络（HOGCN）以聚合来自高阶邻域的信息用于生物医学相互作用预测。具体而言，HOGCN 收集不同距离邻居的特征表示，并学习其线性混合以获得生物医学实体的信息性表示。在四个相互作用网络（包括蛋白质-蛋白质、药物-药物、药物-靶标和基因-疾病相互作用）上的实验表明，HOGCN 实现了更准确且经校准的预测。当考虑不同距离邻居的特征表示时，HOGCN 在含噪、稀疏的相互作用网络上表现良好。此外，一组新颖的相互作用预测通过基于文献的案例研究得到验证。
引用
@article{arxiv.2010.08516,
title = {Predicting Biomedical Interactions with Higher-Order Graph Convolutional Networks},
author = {Kishan KC and Rui Li and Feng Cui and Anne Haake},
journal= {arXiv preprint arXiv:2010.08516},
year = {2021}
}