deepNF阅读笔记

deepNF具有以下概念上的进步：

（i）通过应用多层非线性函数，构成deepNF的DNN架构来保留非线性网络结构，从而学习更丰富的网络表示；

（ii）它可以处理网络中存在的嘈杂链接，因为自动编码器也已被证明是有效的降噪系统，能够根据损坏的数据构建有用的表示形式；

（iii）它高效且可扩展，因为它使用MDA（Multimodal Deep Autoencoder）以完全不受监督的方式从所有网络中学习低维蛋白质特征，并且独立于功能预测任务。这允许在MDA训练中使用整个数据集，从而获得高质量的功能。

deepNF的步骤

（i）通过首先应用带有重启的随机游走（RWR）方法，然后构造一个捕获网络结构信息的正点向互信息（PPMI）矩阵，将每个网络的结构转换为高质量的矢量表示；

（ii）通过使用MDA融合网络的PPMI矩阵，并从中间层提取蛋白质的低维特征表示；

（iii）通过在SVM分类器上训练SVM分类器来预测蛋白质功能
上一步中计算的低维特征。

使用随机游走方法构建蛋白质的高质量矢量表示