2021年春季学期视觉计算实验室第十七周论文研读预告

时间:2021年6月23日(本周三) 09: 30
地点:望江校区基础教学楼B座318实验室
Part1
研读成员:姚林
分享内容
[1]Bang S, Ho Jhee J, Shin H. Polypharmacy Side effect Prediction with Enhanced Interpretability Based on Graph Feature Attention Network[J]. Bioinformatics, 2021.
[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] 在开发新药时需要注意综合用药的副作用,考虑到复杂的药物-药物关联,因此综合用药的副作用研究变得具有挑战。虽然目前GNN表现出很好的预测效果,但是难以为生物医学和制药领域的专家提供可理解的特征。本文在构建药物网络和综合用药网络之后,提出新的副作用关联方法GFAN(graph feature attention network),通过不同程度地强调靶标基因的作用来解释多药副作用的预测结果。在评估阶段,使用基准数据集进行的实验验证了GFAN 的可解释性,并展示了与GAT有竞争力的性能。

GFAN-----

图1 GFAN的算法框架

[2] 由于长链非编码 RNA (lncRNA) 的异常与多种人类疾病密切相关,因此识别疾病相关的 lncRNA 对于了解复杂疾病的发病机制具有重要意义。 目前大多数用于疾病相关 lncRNA 候选预测的数据驱动方法未能考虑 成对级别的低维特征分布,以及lncRNA-疾病对的深层嵌入节点属性,其中包含跨 lncRNA、疾病和 miRNA 的多种关系和表示。文中提出了一个预测模型 VADLP,用于提取、编码和自适应集成多级表示。 所提出的模型在公共数据集上进行了测试,优于具有统计显着性的六种最先进的 lncRNA 疾病预测模型,三种癌症的案例研究进一步证明了我们的模型发现潜在疾病相关 lncRNA 的能力。

VADLP-----

图2 VADLP的算法框架

Part2
研读成员:周怡
分享内容
[1] Wang X, Ji H, Shi C, et al. Heterogeneous graph attention network[C]//The World Wide Web Conference. 2019: 2022-2032.
[2] Fu X, Zhang J, Meng Z, et al. MAGNN: metapath aggregated graph neural network for heterogeneous graph embedding[C]//Proceedings of The Web Conference 2020. 2020: 2331-2341.

论文简介
[1] 图神经网络作为一种强大的基于深度学习的图表示技术,表现出了优越的性能,引起了广泛的研究兴趣。然而,图神经网络尚未充分考虑到包含不同类型节点和链路的异构图。异构性和丰富的语义信息给异构图的图神经网络设计带来了巨大的挑战。近年来,深度学习领域最令人兴奋的进展之一是注意机制,其巨大的潜力已在各个领域得到充分展示。本文首先提出了一种基于层次注意的异构图神经网络,包括节点级注意和语义级注意。具体而言,节点级注意力旨在学习节点与其基于元路径的邻居之间的重要性,而语义级注意力能够学习不同元路径的重要性。通过从节点级和语义级注意力中学习到的重要性,在节点嵌入过程中可以充分考虑节点和元路径的重要程度,该模型通过对基于元路径的邻居特征进行分层聚合生成节点嵌入。在三个真实世界的异构图上的大量实验结果不仅显示了该模型的性能优于state-of-the-arts的基线,而且还表明了其在图分析方面可能具有良好的可解释性。

HAN------2

图3 HAN的算法框架

[2] 大量真实世界的图或网络本质上是异构的,涉及到节点类型和关系类型的多样性。异构图嵌入是将异构图的丰富结构和语义信息嵌入到低维的节点表示中。现有模型通常在异构图中定义多个元路径,以捕获复合关系并指导邻域选择。但是,这些模型要么忽略节点内容特性,要么丢弃元路径上的中间节点,要么只考虑一个元路径。为了解决这三个限制,我们提出了一种名为元路径聚合图神经网络(MAGNN)的新模型来提高最终性能。具体来说,MAGNN使用了三个主要组件,即节点内容转换来封装输入节点属性,元路径内聚合来合并中间语义节点,以及元路径间聚合来合并来自多个元路径的消息。在三个真实世界的异构图数据集上进行了大量的实验,用于节点分类、节点聚类和链接预测,实验表明,MAGNN比 state-of-the-art的基线获得了更准确的预测结果。

MAGNN----

图4 MAGNN的算法框架