时间： 2023年11月14日（本周二） 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 张宛靖 王凤杰
Part1
研读成员： 吴美璇
分享内容：
[1] Sheng N, Wang Y, Huang L, et al. Multi-task prediction-based graph contrastive learning for inferring the relationship among lncRNAs, miRNAs and diseases[J]. Briefings in Bioinformatics, 2023, 24(5): bbad276.
论文简介：
[1] 识别LncRNAs、MiRNAs与疾病之间的关系，对于疾病的诊断、预防、治疗和预后具有重要意义。开发有效的计算预测方法可以降低实验成本。虽然已经提出了许多方法，但它们往往将lncRNA-疾病关联(LDA)、miRNA-疾病关联(MDA)和lncRNA-miRNA相互作用(LMI)的预测作为单独的任务。能够同时预测这三种关系的模型仍然相对较少。本文进行多任务预测，不仅构建了一个统一的框架，而且促进了lncRNAs、miRNAs和疾病之间的信息互补。在这项工作中，提出了一种新的无监督嵌入方法，称为用于多任务预测的图对比学习(GCLMTP)。该方法旨在通过同时提取lncRNAs、miRNAs和疾病的嵌入表示来预测LDAs、MDAs和LMIs。为了实现这一点，首先构建了一个三层lncRNA-miRNA-疾病异质性图(LMDHG)，该图基于这些实体之间的相似性和相关性整合了这些实体之间的复杂关系。接下来，使用基于图对比学习的无监督嵌入模型从LMDHG中提取潜在的lncRNAs、miRNAs和疾病的拓扑特征。随后，对于三个预测任务，探索了多个分类器来预测LDA、MDA和LMI分数。本文在两个数据集上进行了全面的实验，结果表明，GCLMTP在疾病相关的lncRNA和miRNA预测任务中的表现优于其他最先进的方法。此外，在两个数据集上的案例研究进一步证明了GCLMTP准确发现新关联的能力。
Part2
研读成员： 张宛靖
分享内容：
[1] Wang S, He Z. A prediction model of vessel trajectory based on generative adversarial network[J]. The Journal of Navigation, 2021, 74(5): 1161-1171.
论文简介：
[1] 轨迹预测是分析船舶运动行为、判断船舶交通风险和智能船舶避碰路径规划的重要支撑。为提高复杂情况下轨迹预测的准确性，本文提出一种带有注意力模块和交互模块的生成对抗网络( GAN-AI )，用于预测多艘船舶的轨迹。首先，GAN-AI 可以在同一局部区域内同时推断所有船舶的未来轨迹。其次，GAN-AI基于对抗性架构，通过竞争进行训练，以获得更好的收敛性。第三，本文设计了一个交互模块来提取多船的群组运动特征，以实现在船舶会遇场景下更好的表现。GAN-AI在中国舟山港历史轨迹数据上测试结果表明，与序列到序列( seq2seq )、普通GAN和Kalman模型相比，GAN-AI模型的预测精度分别提高了20%、24%和72%。这对于提高船舶交通服务系统安全管理水平，判断船舶交通风险程度具有重要意义。
Part3
分享成员： 王凤杰
分享内容：香港科技大学访学交流分享
