ResMGCN：用于快速发现生物医学交互的残差消息图卷积网络

生物医学信息图对于现代生物医学信息交互发现至关重要，例如多种分子交互的识别与药物发现，这在生物医学、生物信息学和人类健康领域引起了日益增长的关注。如今，越来越多的图神经网络被提出以学习生物医学信息实体，并以最先进的成果精确揭示生物医学分子交互。这些方法弥补了远距离特征衰减的问题，却以冗余内存与时间为代价来解决该问题。在本文中，我们提出一种新颖的残差消息图卷积网络（ResMGCN），以不同思路实现快速且精确的生物医学交互预测。具体而言，ResMGCN不增强来自远处节点的消息，而是将低阶信息与下一轮高阶信息聚合以引导节点更新，从而获得更有意义的节点表示。ResMGCN能够以最少的内存与时间代价感知并保留来自前一层的各种消息以及当前层的高阶信息，以获得信息丰富的生物医学实体表示。我们在四个生物医学交互网络数据集上进行了实验，包括蛋白质-蛋白质、药物-药物、药物-靶标和基因-疾病交互，结果表明ResMGCN优于以往最先进的模型，同时在存储与时间上均实现了极佳效率。