时间： 2022年10月27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： 吴美璇 魏瑞龙
Part1
研读成员： 吴美璇
分享内容：
[1] Zhang M, Chen Y. Link prediction based on graph neural networks[J]. Advances in neural information processing systems, 2018, 31.
[2] Zeng M, Lu C, Fei Z, et al. DMFLDA: a deep learning framework for predicting IncRNA–disease associations[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2020.
论文简介：
[1] 链接预测是网络结构数据的关键问题。链接预测启发式算法使用一些得分函数，例如公共邻居和Katz指数，来衡量链接的可能性。由于它们的简单性、可解释性，以及其中一些的可扩展性，它们已经获得了广泛的实际应用。然而，每个启发式算法都有一个很强的假设，即两个节点何时可能链接，这限制了它们在这些假设失败的网络上的有效性。在这方面，一个更合理的方法应该是从给定的网络中学习合适的启发式，而不是使用预定义的启发式。通过提取每个要预测的目标链接周围的局部子图，我们的目标是学习将子图模式映射到链接存在的函数，从而自动学习适合当前网络的“启发式”。在本文中，我们研究了这种用于链路预测的启发式学习范式。首先，我们提出了一种新的衰减启发式理论。该理论在一个框架中统一了广泛的启发式算法，并证明了所有这些启发式算法都可以很好地从局部子图中近似出来。我们的结果表明，局部子图保留了与链接是否存在相关的丰富信息。其次，基于-衰减理论，我们提出了一种利用图神经网络（GNN）从局部子图学习启发式的新方法。它的实验结果显示了前所未有的性能，在问题上始终表现良好。
[2] 越来越多的证据表明，长非编码RNA（lncRNAs）在许多人类疾病的生物过程调节中发挥着重要作用。然而，实验验证的lncRNA-疾病关联的数量非常有限。因此，人们提出了各种计算方法来预测lncRNA-疾病相关性。当前基于矩阵分解的方法无法捕捉lncRNA与疾病之间的复杂非线性关系，传统的基于机器学习的方法也不足以学习lncRNA和疾病的表示。考虑到现有计算方法的这些局限性，我们提出了一个深度矩阵分解模型来预测lncRNA-疾病相关性（简称DMFLDA）。DMFLDA使用一系列非线性隐藏层来学习表示lncRNA和疾病的潜在表示。通过使用非线性隐藏层，DMFLDA捕获了lncRNA与疾病之间比传统的基于矩阵分解的方法更复杂的非线性关系。此外，DMFLDA直接从lncRNA疾病相互作用矩阵中学习特征，因此与传统的机器学习方法相比，可以获得更准确的lncRNA和疾病的表示学习。融合lncRNA和疾病的低维表达以估计新的相互作用值。为了评估DMFLDA的性能，我们对已知的实验验证的lncRNA-疾病关联进行了漏检交叉验证和5折交叉验证。实验结果表明，DMFLDA的性能优于现有方法。案例研究表明，最近的生物医学文献证实了许多预测的结直肠癌、前列腺癌和肾癌的相互作用。
Part2
研读成员： 魏瑞龙
分享内容：
[1] Woo S, Park J, Lee J Y, et al. Cbam: Convolutional block attention module[C]. Proceedings of the European Conference on Computer Vision (ECCV). 2018: 3-19.
[2] Oktay O, Schlemper J, Le Folgoc L, et al. Attention gated networks: Learning to leverage salient regions in medical images. Medical image analysis. 2019: 197-207.
论文简介：
[1] 论文提出卷积注意力模块（CBAM），这是一种简单有效的用于前馈卷积神经网络的注意力模块。给定一个中间特征图，CBAM模块会沿着两个独立的维度（通道和空间）分别计算注意力图，然后将注意力图与输入特征图相乘以进行自适应特征优化。由于CBAM是轻量级的通用模块，因此可以忽略的该模块的开销而将其无缝集成到任何CNN架构中，并且可以与基础CNN一起进行端到端训练。论文通过在ImageNet-1K，MS COCO检测和VOC 2007检测数据集上进行广泛的实验来验证CBAM的有效性。实验表明，使用该模块在各种模型上，在分类和检测方面的性能获得持续改进，证明了CBAM的广泛适用性。
[2] 论文提出了一种应用于医学影像的基于attention gate (AG)的模型，它会自动学习区分目标的外形和尺寸。这种有AGs的模型在训练时会学习抑制不相关的区域，注重有用的显著特征，这对一个具体的任务来说很有用。这可以帮助我们不使用显示定位的组织和器官的CNN。AGs很容易被整合进标准的CNN模型中，极少的额外计算量却能带来显著的模型敏感度和准确率的提高。利用Attention U-Net模型，在两个大型CT腹部数据集上进行了多类别的图像分割。实验结果表明，AG可以在保持计算效率的同时，持续提高U-Net在不同数据集和训练规模下的预测性能。
