时间：2021年09月30日（本周四） 09 : 30
地点：望江校区基础教学楼B座318实验室
研读成员：周怡 周锋
Part1
分享者：周怡
分享内容：
[1] Zitnik M, Agrawal M, Leskovec J. Modeling polypharmacy side effects with graph convolutional networks[J]. Bioinformatics, 2018, 34(13): i457-i466.
[2] Sheng N, Cui H, Zhang T, et al. Attentional multi-level representation encoding based on convolutional and variance autoencoders for lncRNA–disease association prediction[J]. Briefings in Bioinformatics, 2021, 22(3): bbaa067.
论文简介：
[1] 本文首先构建了一个蛋白-蛋白相互作用、药物-靶蛋白相互作用和复方副作用的多模态图，这些复方副作用表示为药物-药物节点之间不同类型的边。本文在严谨分析数据集的基础上，提出了端到端的图生成预测模型Decagon，该模型取得了良好的性能，并具有清晰的解释性，能够真正地为复方副作用的规避提供指导。
[2] 本文提出了lncRNA与疾病的关联预测模型VADLP。首先，通过加权层间和层内边缘构建三层异构图，整合lncRNA、疾病和miRNA之间的相似性和相关性。然后定义了三种表示，包括节点属性、成对拓扑和特征分布。节点属性通过嵌入策略从图中导出，以表示lncRNA与疾病的关联。成对拓扑采用随机游走算法表示，并采用卷积自编码器编码，表示一对lncRNA与疾病之间隐藏的拓扑结构关系。特征分布由方差自编码器建模，以揭示潜在的lncRNA疾病关系。最后，构建了一个注意表征级集成模块，自适应融合三个表征，用于lncRNA与疾病的关联预测。经实验验证，VADLP优于六种最先进的lncRNA疾病预测模型，同时消融研究证明了三种表征的重要贡献。进一步，基于三种癌症的案例分析证明了本文的模型具有发现潜在lncRNA-疾病关联的能力。
Part2
分享者：周锋
分享内容：
[1] Zhou M, Li Q, He X, et al. Table2Charts: Recommending Charts by Learning Shared Table Representations[C]//Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. 2021: 2389-2399.
[2] Shu X, Wu A, Tang J, et al. What makes a Data-GIF understandable?[J]. IEEE Transactions on Visualization and Computer Graphics, 2020, 27(2): 1492-1502.
论文简介：
[1] 本文提出了Table2Charts框架，它从一个包含（表格，推荐图表）对的大型数据库中学习图表推荐常用模式。Table2Charts基于具有拷贝机制和启发式搜索的DQN，进行表到序列的生成，其中每个序列都遵循一个图表模板。最后，Table2Charts在一个包含165k个表格和266k个图表的大型电子表格数据库上进行训练，展示了Table2Charts可以学习表字段的共享表示，以便不同图表类型上的推荐任务可以相互增强。
[2] 本文问了这样一个问题：“是什么让数据动图可以被理解？”虽然其他讲故事的形式，如数据视频、信息图表或数据漫画都是研究进展相对较好的，但对“数据动图”的设计因素和原则知之甚少。为了缩小这一差距，本文提供了一项在线研究和半结构化访谈的结果，调查了设计决策对数据动图可理解性的影响。该研究是在从网络上发现的108个数据动图构成的结构化设计空间的基础上进行的。本文研究结果显示，来自设计空间的设计维度，如动画编码、叙述形式或动画重复等，是观众理解数据动图的核心因素。最后，本文列出了创建更有效的数据动图的建议。
