KGNN：基于知识图谱的图神经网络预测药物与药物相互作用

AITIME论道

于 2021-02-04 18:23:23 发布

阅读量7.9k

点赞数 8

文章标签：神经网络算法大数据机器学习人工智能

本文链接：https://blog.csdn.net/AITIME_HY/article/details/113667830

版权

药物间相互作用（DDI）预测是重要的药理学问题，现有方法多依赖AI模型和图嵌入。林轩等人提出KGNN框架，通过知识图谱捕获药物及其邻域实体信息，利用图神经网络提取高阶结构和语义关系，有效预测DDI。实验证明，KGNN在DrugBank和KEGG-drug数据集上取得最优效果。

摘要由CSDN通过智能技术生成

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

药物间相互作用（DDI）预测是药理学和临床应用中一个具有挑战性的问题，在临床试验期间，有效识别潜在的DDI对患者和社会至关重要。现有的大多数方法采用基于AI的计算模型，通常倾向于集成多个数据源并结合先进的图嵌入方法来实现。然而研究人员很少关注药物与其他实体（例如靶标和基因）之间存在的潜在关联。此外，最近的研究还采用知识图谱（KG）进行DDI预测。这一系列方法都是采取直接学习节点的潜在嵌入向量，但它们对于获得KG中每个实体的丰富邻域信息受到限制。

为解决上述局限性，林轩等人提出了一种端到端的框架，即基于知识图谱的图神经网络（KGNN），以解决DDI预测问题。该框架可通过在KG中挖掘相关联的关系，来有效地捕获药物及其潜在的邻域实体信息。为了提取KG中的高阶结构和语义关系，对KG中每个实体的邻域进行学习，作为它们的局部感知域，然后将邻域信息与来自当前实体表示的偏差进行整合。这样，感知域可以自然地扩展到多个跃点，以对高阶拓扑信息进行建模并获得潜在的药物长距离相关性特征。本次报告，我们有幸邀请到来自湖南大学的林轩博士为大家分享他们的这项研究工作！

林轩：湖南大学计算机科学与技术四年级博士生，导师为全哲副教授。于2019年10月前往伊利诺伊大学芝加哥分校计算机学院进行博士联合培养，指导老师是Philip S.Yu教授。主要研究方向为机器学习、图神经网络和药物重定位。目前已在IJCAI、AAAI、ECAI、Briefings in Bioinformatics等国际会议和期刊发表论文7篇，并担任IJCAI、AAAI、Briefings in Bioinformatics、Neurocomputing等会议和期刊审稿人。