2023年秋季学期视觉计算实验室第九次论文研读预告

时间:2023年11月21日(周二) 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、王国强

Part1

分享者:李希垚

分享内容

[1]Bian J, Zhang X, Zhang X, et al. MCANet: shared-weight-based MultiheadCrossAttention network for drug–target interaction prediction[J]. Briefings in Bioinformatics, 2023, 24(2): bbad082.

[2]Ren Z H, You Z H, Zou Q, et al. DeepMPF: deep learning framework for predicting drug–target interactions based on multi-modal representation with meta-path semantic analysis[J]. Journal of Translational Medicine, 2023, 21(1): 1-18.

论文简介

[1]在基于深度学习的DTI预测方法中,药物和蛋白质特征表示及其相互作用特征在提高DTI预测的准确性中起着关键作用。本文提出了一种基于共享权重的多头交叉注意机制,可以建立靶标与药物之间的关联。本文使用交叉注意机制来构建两个模型:MCANet 和 MCANet-B。在MCANet中,利用交叉注意机制提取药物和蛋白质之间的相互作用特征,提高药物和蛋白质的特征表示能力,并应用PolyLoss损失函数来缓解药物-目标数据集中的过拟合问题和类不平衡问题。在MCANet-B中,通过结合多个MCANet模型和预测精度进一步提高,提高了模型的鲁棒性。本文在六个公共药物-目标数据集上训练和评估我们提出的方法,并取得了最先进的结果。与其他基线相比,MCANet在保持领先位置精度的同时节省了大量的计算资源。

图1 MCANet流程图

[2]药物-靶点相互作用(DTI)预测中,以前的大多数方法都不能完全考虑基于几种模式的关联行为语义信息来表示异质生物网络结构的复杂。此外,基于单一模式的DTI预测不能满足预测精度的要求。本文提出了一种基于元路径语义分析的多模态表示框架DeepMPF,该框架有效地利用异构信息来预测DTI。首先构建由三个实体组成的蛋白质-药物-疾病异构网络。然后在三个视图下获得特征信息,包括序列模态、异构结构模态和相似模态。随后提出元路径的六种代表性模式来保留高阶非线性结构并捕获异构网络的隐藏结构信息。最后,DeepMPF 生成高度具有代表性的综合特征表示。本文在四个黄金数据集上进行了对比实验,获得有竞争力的性能。本文还探索了不同特征嵌入维度、学习策略和分类方法的影响。在 COVID-19 和 HIV 上的药物重定位实验表明 DeepMPF 可以解决实际问题。

图2 DeepMPF流程图

Part2

分享者:王国强

分享内容

[1]Li C, Baciu G, Wang Y, et al. Ddlvis: Real-time visual query of spatiotemporal data distribution via density dictionary learning[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 28(1): 1062-1072.

[2]Deng Z, Weng D, Xie X, et al. Compass: Towards better causal analysis of urban time series[J]. IEEE Transactions on Visualization and Computer Graphics, 2021, 28(1): 1051-1061.

论文简介

[1] 随着时空数据在可视化分析应用中的重要性日益增加,实时查询这类大规模数据成为了一个关键挑战。尽管已有多种方法用于实时查询大规模时空数据,但如何有效地处理和查询这些数据的分布仍然是一个未解决的问题。随着空间时间数据量的增加,数据聚合、存储和查询方法变得尤为关键。为此,本文提出了一种新的可视化查询系统,目标是创建一个低内存存储组件,并提供实时的时空数据可视化交互。首先,本文介绍了一种基于峰值的核密度估计方法,用于生成时空数据的分布。接着,提出了一种新颖的密度字典学习方法,以压缩时间密度图并加速查询计算。此外,还展示了多种直观的查询交互方式,以便用户能够互动地发现数据模式。通过在三个数据集上的实验结果表明,本文提出的系统为大规模时空数据的可视化分析提供了有效的查询功能。

[2] 城市传感器生成的空间时间序列数据能够帮助观察城市现象,如环境污染和交通拥堵。然而,从这些观察中恢复因果关系以解释城市现象的源头仍然是一个挑战,因为这些因果关系往往随时间变化,并且需要适当的时间序列分割以进行有效分析。以往的方法是根据长时间观察提取一个因果图,但这不能直接用于捕捉、解释和验证动态城市因果关系。本文提出了一种名为Compass的新型视觉分析方法,用于深入分析城市时间序列中的动态因果关系。本文识别并解决了三个挑战:检测城市因果关系、解释动态因果关系和揭示可疑因果关系。首先,通过扩展Granger因果关系测试的因果检测框架,获得了城市时间序列之间随时间变化的多个因果图。然后,设计了一种动态因果图可视化,以揭示这些因果图中随时间变化的因果关系,并促进沿时间轴探索这些图表。最后,开发了一种定制的多维可视化,以支持识别虚假因果关系,从而提高因果分析的可靠性。