时间：2023年3月17日(本周五) 09: 30
地点：望江校区基础教学楼B座318实验室
分享者：李希垚、杨丹
Part1
分享者：李希垚
分享内容：
[1] PANG S, ZHANG Y, SONG T, et al. AMDE: a novel attention-mechanism-based multidimensional feature encoder for drug–drug interaction prediction [J]. 2022, 23(1): bbab545.
[2] LIU S, ZHANG Y, CUI Y, et al. Enhancing Drug-Drug Interaction Prediction Using Deep Attention Neural Networks [J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2022: 1-.
论文简介：
[1] 药物组合可能会改变药物的性质，这可能会导致意外的药物间相互作用 (DDI)。 DDIs的预测为系统有效的治疗提供了药物组合策略。在大多数基于深度学习的 DDI 预测方法中，药物的编码信息在某种程度上是不充分的，这限制了 DDIs 预测的性能。在这项工作中，我们提出了一种用于 DDI 预测的新型基于注意力机制的多维特征编码器，即基于注意力的多维特征编码器 (AMDE)。具体来说，在 AMDE 中，我们从多个维度对药物特征进行编码，包括来自简化分子输入线输入系统序列和药物原子图的信息。数据实验在选自Drugbank的DDI数据集上进行。实验结果表明，我们的 AMDE 比一些最先进的基线方法表现更好。同样，我们以托拉塞米 (DB00214) 为例，预测最有可能与之相互作用的药物，都在文献中有明确的相互作用。
[2] 药物相互作用是药物发现中的主要关注点之一。当多种药物组合时，准确预测药物间相互作用对于提高药物研究效率和安全性起着关键作用。有了描述药物之间关系和特性的各种数据源，集成多个数据源的综合方法将在进行高精度预测方面相当有效。在本文中，我们提出了一种基于深度注意神经网络的药物-药物相互作用预测框架，缩写为 DANN-DDI，以预测未观察到的药物-药物相互作用。首先，我们构建了多个药物特征网络，并使用图嵌入方法从这些网络中学习药物表示；然后，我们连接学习到的药物嵌入并设计一个注意力神经网络来学习药物-药物对的表示；最后，我们采用深度神经网络来准确预测药物间的相互作用。实验结果表明，与最先进的方法相比，我们的模型 DANN-DDI 具有改进的预测性能。此外，所提出的模型可以预测新的药物相互作用和相关任务。
Part2
分享者：杨丹
分享内容：
[1] Epperson W, Jung‐Lin Lee D, Wang L, et al. Leveraging Analysis History for Improved In Situ Visualization Recommendation[C]//Computer Graphics Forum. 2022, 41(3): 145-155.
[2] Peiling Jiang, Fuling Sun, Haijun Xia . Log-it Supporting Programming with Interactive, Contextual, Structured, and Visual Logs[C]//ACM CHI 2023 Conference on Human Factors in Computing Systems. ACM, 2023.
论文简介：
[1] 现有的可视化推荐系统通常依赖于数据集的单个快照来向用户推荐可视化。然而，探索性数据分析涉及随时间推移与数据集进行的一系列相关交互，而不是一次性分析步骤。本文提出了了 Solas，一种跟踪用户数据分析历史的工具，模拟用户对每一列的兴趣，并使用这些信息提供可视化建议，所有这些都在用户的本地分析环境中进行。推荐分析历史以三种主要方式改进可视化：特定于任务的可视化使用数据的来源为常见分析功能提供合理的编码，聚合历史用于根据用户对每一列的兴趣模型对可视化进行排名，以及列数据类型是根据应用的操作推断出来的。本文通过一个使用场景和用户评估实验，展示了如何利用分析历史改进对现实世界分析任务的原位可视化建议。
[2] 编写高质量的日志打印语句是程序员诊断故障和检查程序底层状态的重要方式，然而，现在编程过程中的日志呈现仍然经常采用驻留在终端、控制台或日志文件中的线性文本流的形式。由于输出的文本日志缺乏结构和上下文信息，因此解释日志输出通常具有挑战性。本文进行了内容分析和专家访谈，了解到现有的日志日志的输出缺乏有意义的组织，缺乏信息可视化和交互的数据结构。本文提出了 Log-it，一个日志记录界面，使程序员能够在原地交互式地构建和可视化日志。通过对新手和专家编程人员进行的用户评估实验研究表明，Log-it 的语法和界面具有最小的学习曲线，日志的交互式表示和组织有助于程序员轻松定位、综合和理解日志。
