Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Predict

1.概述

文章主要设计了一种端到端的模型（GNN-PPI），用于预测PPI（蛋白质相互作用）网络的边（作用）类型。

主要与2019年的PIPR做对比，性能提升明显。

2.贡献

1.设计了一个新的评估框架，充分尊重新蛋白之间的相互作用，并在数据集上给出一致的评估。（新蛋白质指的是训练集中没有出现的蛋白质）

2.建议将蛋白质之间的相关性纳入PPI预测问题。提出了一种基于图神经网络的关联建模方法。

3.提出的GNN-PPI模型在不同尺度的真实数据集中达到了最先进的性能，特别是在新蛋白相互作用的预测。

3.方法

3.1问题建模

符号定义

蛋白质集合                

PPI集合      

蛋白质标签集合     

 对于任意的标签       

多类型PPI数据集      

蛋白质作为节点，PPIs作为边构成PPI图

 模型任务

多类型PPI学习 ：  从   中学习到

 对中的任意预测出标签（一个或者多个）

 3.2数据集划分

 

蛋白质集 被划分成：

已知 

未知

测试集被划分成：

 测试集选取策略：

 伪代码：

条件: BS << ES + NS

采用随机法，体现不出鲁棒性 

3.3模型设计

 输入：

蛋白质集，边集，标签集

 

      

模型拆分：

1.评估板块

拆分训练集，测试集。

2.编码板块

蛋白质特征编码（蛋白质独立编码PIE->蛋白质图编码PGE）。

PIE利用氨基酸序列信息编码，并作为PPI网络的输入，PGE根据PPI网NN结合邻居信息，得到进一步的表征。

将原独立的学习任务 转换成

。

GNN的第k层：

表示节点p在第k层特征

本文采用的是GIN

 ε是一个可学习的参数或者是固定值

3.预测板块

对于未知的PPI，结合前一过程编码的蛋白质特征，计算它们在不同PPI类型中的得分，并输出其多标签预测。

损失函数（二元交叉熵）

 

 4.实验