![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图神经网络
文章平均质量分 93
ShenggengLin
这个作者很懒,什么都没留下…
展开
-
生物信息学|利用层注意图卷积网络预测药物-疾病关联
本篇推文引自:Predicting drug–disease associations through layer attention graph convolutional network1. 摘要: 背景:确定药物与疾病的关联是药物开发过程中不可分割的一部分。然而,通过湿法实验来确定药物-疾病的关联是昂贵和低效的。因此,开发高效、高精度的预测药物-疾病相关性的计算方法具有重要意义。 结果:本文提出了一种新的计算方法——层注意图卷积网络(LAGCN),用于药物-疾病关联预测。具体来说,L原创 2021-03-25 13:22:54 · 2481 阅读 · 0 评论 -
生物信息学|变分图自编码器
本篇推文引自:Variational Graph Auto-Encoders1. 图结构数据的隐变量模型: 本文提出了变分图自动编码器(VGAE),这是一种基于变分自动编码器(VAE)对图结构数据进行无监督学习的框架。这个模型利用潜在变量,能够学习无向图的可解释的潜在表示(见图1)。 我们使用一个图形卷积网络(GCN)编码器和一个简单的内积解码器来演示这个模型。我们的模型在引文网络的链接预测任务上取得了有竞争力的结果。与现有的基于图结构数据的无监督学习模型和链路预测模型相比,我们的模型可原创 2021-03-25 13:22:33 · 1173 阅读 · 0 评论 -
生物信息学|miRNA-疾病关联预测的图形自动编码模型
本篇推文引自:A graph auto-encoder model for miRNA-disease associations prediction1. 摘要 越来越多的证据表明miRNAs的异常表达参与了人类各种复杂疾病的进化和进展。将疾病相关的miRNAs作为新的生物标志物,可以促进疾病病理学和临床医学的发展。我们提出了一种新的图自动编码模型GAEMDA,用于端到端地识别miRNA疾病的潜在关联。具体地说,GAEMDA模型应用了基于图神经网络的编码器,它包含聚合函数和多层感知器,用于聚集节点原创 2021-03-25 13:21:29 · 3285 阅读 · 0 评论