【论文】(IJCAI20 知识图谱神经网络)KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction

最新推荐文章于 2024-06-10 09:53:31 发布
最新推荐文章于 2024-06-10 09:53:31 发布
阅读量2.1k 收藏 4
点赞数 1
分类专栏： 论文 知识图谱
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/minggelin1997/article/details/113182783
版权
论文提出了一种端到端的知识图谱神经网络（KGNN）框架，用于药物相互作用（DDI）预测。传统方法虽集成多数据源但忽视实体间的潜在相关性，而现有知识图谱方法则无法获取实体丰富邻域信息。KGNN通过学习KG中的关联，捕捉药物的高阶结构和语义关系，有效扩展感受野，预测药物的远距离相关性。实验表明，KGNN在DDI预测上优于其他模型。
摘要由CSDN通过智能技术生成

KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction

  • 任务：药物相互作用预测
  • 方法：知识图谱神经网络

背景

  • 预测药物相互作用(DDI)是药理学和临床应用中一个具有挑战性的问题
  • 在临床试验中有效地识别潜在的DDI对患者和社会至关重要

相关研究

主流方法

【特点】：多数据源的集成+流行的嵌入方法
【缺点】：对药物与靶点和基因等其他实体之间的潜在相关性关注较少
【具体相关工作】
  • 待完善

现有的知识图谱方法

【特点】：直接学习节点的潜在嵌入
【缺点】：无法获取KG中实体丰富的邻域信息
【具体相关工作】
  • 待完善

论文方法：端到端的知识图谱神经网络（KGNN）框架

  • 【特点】：通过挖掘KG中的关联关系，有效地捕获药物及其潜在的邻域。
  • 【关键】：为了提取KG的高阶结构和语义关系，我们从KG中每个实体的邻域中学习作为它们
最低0.47元/天 解锁文章
大铭昕
关注
专栏目录
论文解读：KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction
mysky54的博客
04-01 3107
一、背景 药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时，药物之间所产生的相互作用，而该相互作用可能会导致意想不到的副作用。 总结归纳现有DDI预测方法，大致可分为两大类。一类是分子表示，主要聚焦于药物分子的特征学习。这类方法都基于同样的假设：即具有相似嵌入表示的药物分子将会表现出相似的DDI。 另一类常用的DDI预测方法是基于网络嵌入的方法，通过构建各种与药物有关的生物网络，在这个网络中，将药物看作网络中的节点，通过学习节点的嵌入表示来预测潜在的边，即DDI的关系。构建映射关系网络也有多
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_HY的博客
02-04 7959
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...
Drug-drug Interaction Prediction with Graph Representation Learning
qq_41200212的博客
03-28 331
一种药物的药理活性可能会由于同时给药另一种药物而改变，从而导致未预料到的药物-药物相互作用(DDIs)。然而，现有的DDI预测方法在以下几个方面存在不足:(1)可扩展性:它们严重依赖于与药物相关的多种特征，导致在大规模的数据集中，大多数药物的重要特征是不可用的。(2)鲁棒性:他们的目标是在融合多种特征的情况下逼近交互概率。该模型可能对测试集的两两相似信息很敏感。在本文中，我们探索了图表示学习在更精确的DDI预测方面的应用，建立了一个全新的模型来解决这两个问题，实现了更高的性能，并保持了一定的可解释性。
AI医药论文解读--Drug-drug Interaction Prediction with Graph Representation Learning
xiao_muyu的博客
12-09 1218
基于图表示学习的药物相互作用预测 论文题目 Drug-drug Interaction Prediction with Graph Representation Learning 论文出自 BIBM 2019 文章目录基于图表示学习的药物相互作用预测一、现有DDI预测方法的不足之处？二、模型？三、各模块详细介绍？3.1 GCN3.2 Drug-drug Interaction Prediction四、实验结果？五、思考？ 一、现有DDI预测方法的不足之处？ 可扩展性：依赖于不同的药物相
AI医药论文笔记--Molecular Substructure-Aware Network for Drug-Drug Interaction Prediction
xiao_muyu的博客
01-02 632
MSAN:用于药物相互作用预测的子结构感知网络 作者是第一个在DDI预测任务中引入类似Transformer的模块来提取分子子结构模式。我们用一个简单而有效的相似性计算模块进一步模拟了分子间子结构相互作用。 引入了一种新的基于子结构的数据增强方法。在图编码之前执行子结构丢弃增强，以减轻过度拟合。
AI医药论文笔记--MUFFIN: multi-scale feature fusion for drug–drug interaction prediction
xiao_muyu的博客
01-25 3185
MUFFIN:多尺度特征融合预测药物-药物相互作用 论文题目 MUFFIN: multi-scale feature fusion for drug–drug interaction prediction 论文出自 Bioinformatics, 2021, 1–8 一、研究现状？ 以往的研究利用大量的标记数据，仅仅考虑药物的结构或序列信息，而没有考虑药物与其他生物医学对象(如基因、疾病、通路)之间的关系或拓扑信息，或仅考虑知识图(KG)而不考虑药物分子结构信息。 二、MUFFIN模型？
AI医药论文笔记--MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events
xiao_muyu的博客
12-26 1929
MDNN：预测药物相互作用的多模态深度神经网络 论文题目 MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events 论文出自 Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21)，2021 文章目录MDNN：预测药物相互作用的多模态深度神经网
BGNN：Bilinear Graph Neural Network with Neighbor Interactions. 2020. IJCAI
qq_41604424的博客
04-01 1050
BGNN Bilinear Graph Neural Network with Neighbor Interactions Motivation: 目前的GNN在聚合邻居信息的时候只是简单的加权求和，这种方式忽略了邻居之间的交互信息。捕获邻居之间的交互信息有两个困难：排列无关性；线性复杂度。 Method: 为了解决上述问题，我们提出一种新的GNN，该模型使用传统的线性聚合器和提出的双线性聚合器。通过双线性聚合器捕获邻居之间的交互信息。 利用邻接节点的交互用于aggregate结点feature作为目标节
论文阅读——《Global Context Enhanced Graph Neural Networks for Session-based Recommendation》
小白的学习路
01-29 2420
《Global Context Enhanced Graph Neural Networks for Session-based Recommendation》 基于会话推荐的全局上下文增强图神经网络 摘要:基于会话的推荐（SBR）是一项具有挑战性的任务，旨在基于匿名行为序列来推荐项目。几乎所有现有的SBR解决方案都仅基于当前会话来模拟用户的性能，而没有利用其他会话，这些会话可能包含与当前会话相关的项目转换和无关的项目转换。本文提出了一种称为“全局上下文增强图神经网络”（GCE-GNN）的新颖方法，该方
GNN2021(十九) GraphReach: Position-Aware Graph Neural Network using Reachability Estimations，IJCAI2021
qq_36618444的博客
09-09 645
本篇文章可以看做是之前写过的博客Position-aware Graph Neural Networks，ICML2019 中P-GNN的改进，有兴趣的小伙伴可以点击传送门去看哈。 Introduction 从直觉来说，GNN中，两个距离非常远但位于相似区域的节点应该映射到相似嵌入，但是基于同质性假设的GNN并不能很好地做到这一点。因此，为了引入全局的节点位置信息，在P-GNN的基础上提出GRAPHREACH，具体来说就是通过对一组锚节点（anchor nodes）的可达性估计来捕获节点的全局位置。换句话.
Learning beyond datasets: Knowledge Graph Augmented Neural Networks for Natural language Processing
扬帆起航
12-02 544
概述： 现在的机器学习算法的核心都是利用有关领域的有标签或者无标签的数据集，虽然已经存在迁移学习可以将一个领域的知识用于其他领域，但是这些方法还是扩展性比较差，并且只能应用于特定领域。所以能不能有一种训练方式，除了基于训练数据的学习之外，能够为模型注入一般的世界知识的方式进行训练？该论文主要是用世界知识（知识图谱三元组的形式）来增强模型。目标就是建立一种深度学习模型，该模型可以从世界知识中中提取...
Estimating Node Importance in Knowledge Graphs Using Graph Neural Networks
todoooooo的博客
06-01 1727
这是一篇将GNN运用在预测知识图谱(Knowledge Graph)节点重要性的文章，被KDD2019接收。文中提出了GENI模型，在GNN聚合信息的过程中只聚合一个标量（score）而不是聚合节点的embedding。 Introduction 知识图谱可以看做是一个有向多关系图，并且节点之间可能存在不止一条边。 Given a KG, estimating the importance of each node is a crucial task that enables a number of a
推荐使用KGNN-LS：知识图谱驱动的深度推荐系统
最新发布
gitblog_00089的博客
06-10 438
推荐使用KGNN-LS：知识图谱驱动的深度推荐系统 KGNN-LSA tensorflow implementation of Knowledge-aware Graph Neural Networks with Label Smoothness regularization项目地址:https://gitcode.com/gh_mirrors/kg/KGNN-LS 在数据挖掘和个性化推荐的世界...
知识图谱-生物信息学-医学顶刊论文(Bioinformatics-2021)-MUFFIN:用于DDI预测的多尺度特征融合
CJK's Blog
10-13 2266
药物-药物不良相互作用(DDI)是药物研究的重要环节，是导致药物发病率和死亡率的主要原因。因此，识别潜在的ddi对医生、患者和社会都是至关重要的。现有的传统机器学习模型严重依赖手工特征，缺乏泛化能力。近年来，深度学习方法可以从分子图或药物相关网络中自动学习药物特征，提高了计算模型预测未知DDIs的能力。然而，以往的工作利用大量的标记数据，只考虑药物的结构或序列信息，而不考虑药物与其他生物医学对象(如基因、疾病和途径)之间的关系或拓扑信息，或考虑知识图(KG)而不考虑药物分子结构的信息。
基于知识图谱的图神经网络预测药物与药物相互作用
butiful1的博客
02-18 1720
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。 药物间的相互作用(DDI)? 答案：药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时，药物之间所产生的相互作用，而该相互作用可能会导致意想不到的副作用。举个例子，在日常生活中，某人因睡眠不佳，服用了助眠药物，比如镇定剂。与此同时他又出现了过敏反应，需要服用治疗过敏的药物，比如抗组胺药。当两种药物混合服用，就可能会减缓大脑的反应。如果此人是从事车辆驾驶或者机械操作等
AI医药方向论文总结（包含DDI和DDS，重点分析药物联合预测）
xiao_muyu的博客
12-08 5529
文章目录现有的DDI预测方法？1 similarity-based：（**假设化学结构相似的药物具有相似的DDI**）2 graph-based：3 其他方法：一些关于DDS的论文？AI医药方向的综述？ （提醒：本文模型图只是放了缩略图让大家了解个大概，建议还是看原论文中的模型图。） 现有的DDI预测方法？ DDI预测方法主要分为两类：基于药物结构特征相似性的方法和基于图的方法。 1 similarity-based：（假设化学结构相似的药物具有相似的DDI） **DeepDDI模型 Deep lear
KGNN-LS 2019 (KDD) Knowledge-aware Graph Neural Networks with Label Smoothness Regularization for Re
TVfan的博客
03-26 1754
推荐中引入知识图谱的优点 知识图谱作为一种异构网络，节点表示实体，诸如物品，产品，以及他们的属性，特征；边对应为实体之间的关系，知识图谱可以获取一系列实体之间的关系和结构信息。因此，知识图谱提供了不同物品之间各种各样的关系和可以捕获物品间的语义关系。 提出背景 目前一些工作已经利用GNN架构来构建推荐模型，但是这些方法大多数是利用同构的用户-物品二部图，因此，如何扩展GNN到异构知识图谱称为待解决问题。本文将GNN扩展到知识图谱中，同时捕获物品之间的语义关系和用户个性化偏好 ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值