SHINE：子超图归纳神经网络

超图神经网络能够对图中节点间的多路连接建模，这类连接常见于遗传医学等真实应用中。特别地，遗传通路或基因集编码由多个基因驱动的分子功能，自然表示为超边。因此，超图引导的嵌入可在学习表示中捕获功能关系。现有超图神经网络模型常聚焦于节点级或图级推断。在真实应用中学习超图子图的有力表示仍存在未满足的需求。例如，一名癌症患者可视为携带该患者突变基因的子图，而所有基因通过对应于代表特定分子功能通路的超边相连。为准确的归纳子图预测，我们提出子超图归纳神经网络（SHINE）。SHINE 使用编码分子功能的信息性遗传通路作为超边将基因作为节点连接。SHINE 联合优化端到端子图分类目标与超图节点相似性正则化目标。SHINE 利用强对偶注意力消息传递同时学习基因与通路的表示。学习到的表示通过子图注意力层聚合，并用于训练多层感知机以进行归纳子图推断。我们使用大规模 NGS 与精选数据集，将 SHINE 与众多最先进（超）图神经网络、XGBoost、NMF 和多基因风险评分模型进行了评估。SHINE 显著优于所有对比模型，并产生了具有功能洞察的可解释疾病模型。