论文:《Toward heterogeneous information fusion: bipartite graph convolutional networks for in silico drug repurposing》
一部分内容取自于我的ppt
背景:
1.药物重用是指开发已有药物的新的治疗目标,即“老药新用”。这是现在一些做drug-disease工作的替代名字。
2.数据越来越丰富,但是由于疾病的分子异质性和多种药物-疾病的关联,以及PPI网络尚未完全研究清楚,DR的研究具有挑战性。 DR需要在综合背景下深入探索多模式生物网络。
2.本文提出了BiFusion方法( bipartite graph convolution network model for DR through heterogeneous information fusion)
3.该方法融合了drug-disease,drug-protein,disease-protein和protein-protein关联,其中,PPI作为信息在不同领域的传递桥梁。而不是直接将他们一起构建成一个大的图网络。
4.结果证明该方法能够有效进行药物重用,并且效果较好。
相关工作介绍:
本文贡献:
1.在DR任务中,第一个在二分图上使用GCN,并融合了蛋白质,药物,和疾病数据。
2.提出了一种新的端到端的药物重用的模型方法,效果优于baseline
3.给PPI网络的特征提取与融合提供了新的见解与解决方法。
数据介绍:
方法图:
结果分析:
总结:
1.现有方法要么使用数据单一,要么没有考虑网络结构,要么没有考虑域间差异。
2.提出了一种面向异构信息融合的新型二分图GCN,用于DR任务。BiFusion模型通过跨药物,疾病和蛋白质水平信息的重要域间消息实现了信息融合。
3.模型在DR的任务上实现了强大的性能。 此外,本文在外部验证了结果,证实了本文的DR方法具有潜在的普遍性。
4.case study实验证实了本方法的医学实用性。
展望: