时间：2022年11月10日(本周四) 09: 30
地点：望江校区基础教学楼B座318实验室
成员：陈纪龙、张宛靖
Part1
分享者：陈纪龙
分享内容：
[1] Luo X, Wang G, Liao W, et al. Semi-supervised medical image segmentation via uncertainty rectified pyramid consistency[J]. Medical Image Analysis, 2022, 80: 102517.
[2] Du R, Chang D, Bhunia A K, et al. Fine-grained visual classification via progressive multi-granularity training of jigsaw patches[C]//European Conference on Computer Vision. Springer, Cham, 2020: 153-168.
论文简介：
[1] 尽管现阶段利用CNN进行医学图像分割取得了良好的性能，但它们依赖大量的标注数据进行训练，非常耗时且成本过高，并且对数据进行标注也需要专业医学知识。但半监督学习可以从大量未标注图像和少量有标注样本中学习来训练模型。本文针对医学图像分割的半监督学习，提出了一个一致性正则化方法：Uncertainty Rectified Pyramid Consistency (URPC)。URPC模型可以产生多尺度的图像分割预测，并且对于半监督学习，URPC是通过最小化金字塔模型的不同预测结果和预测结果的平均值之间的差异来从未标注数据中学习，此外，还进一步提出了多尺度的不确定性矫正方法，来加速金字塔模型的一致性正则化过程。
[2] 细粒度的图像分类由于各个子类的不易察觉的类内对象变化，要比传统的分类任务更具挑战性。最近的细粒度分类工作都专注于定位那些最有区分度的部分、互补的部分、各种粒度的部分。但很少有工作去探究哪种粒度是最有区分度的，以及如何融合多粒度之间的信息。本文主要提出了：(1)一个新型的渐进式训练策略：在每一个训练步骤增加新层，根据在上一步和之前阶段得到的更小粒度的信息，来最大限度的利用信息。(2)一个简单的拼图生成器：生成包含不同粒度级别信息的图像。此外，还选择了多个细粒度分类数据集进行了实验，证明了其提出模型的良好性能。
Part2
分享者：张宛靖
分享内容：
[1] Li F, Zhang Z, Guan J, et al. Effective drug-target interaction prediction with mutual interaction neural network[J]. Bioinformatics, 2022.
[2] Li J Y, Jin S, Tu X M, et al. Identifying complex motifs in massive omics data with a variable-convolutional layer in deep neural network[J]. Briefings in Bioinformatics, 2021, 22(6): bbab233.
论文简介：
[1] 准确预测药物与靶点的相互作用是药物发现的关键步骤。近年来，深度学习技术被广泛应用于DTI预测，并取得了显著的性能改善。为DTI预测建立深度学习模型的一个挑战是如何适当地表示药物和靶点。靶距图和分子图是低维的、信息量丰富的表示形式，但在DTI预测中尚未被联合使用。另一个挑战是如何有效地模拟药物和靶标之间的相互影响。虽然注意力机制已经被用来捕捉药物对靶点的单向影响，反之亦然，但药物与靶点之间的相互影响还没有被探索，这对于预测药物和靶点之间的相互作用是非常重要的。因此，本文提出了一种新的DTI预测模型--Minn-DTI。Minn-DTI将交互转换模块(Interformer)和改进的通信消息传递神经网络(Inter-CMPNN)相结合，分别用分子图和距离图来表示药物和靶点之间的双向影响。该方法在DUD-E、HUMAN和BindingDB三个基准数据集上获得了比最新方法更好的性能。Minn-DTI还通过将更大的权重分配给对药物和靶点之间的相互作用贡献更大的氨基酸和原子来提供良好的可解释性。
[2] 基序识别是生物信息学和基因组学中最常见和最基本的计算任务之一。本文提出了一种新的用于深度神经网络的卷积层，称为可变卷积层(VConv)，通过自适应地从数据中学习核长度来有效地识别高通量组学数据中的基序。对DNA-蛋白质结合和DNase足迹案例的经验评估表明，无论模型的复杂性如何，基于vConv的网络都比卷积网络具有更好的性能。同时，vConv可以很容易地集成到多层神经网络中，作为正则卷积层的“就地替换”。
