Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders通过带注意力的多视图图自动编码器的药物相似性集成

Drug Similarity Integration Through Attentive Multi-view Graph Auto-Encoders

通过带注意力的多视图图自动编码器的药物相似性集成

摘要

在本文中，我们建议从多种类型的药物特征中学习准确且可解释的相似性度量。特别是，我们使用多视图图形自动编码器对集成进行建模，并添加注意机制来确定每个视图相对于相应任务和特性的权重，以获得更好的可解释性。

4 方法

在本文中，我们将每种类型的药物特征视为一个视图。对于视图
我们通过将每种药物建模为一个节点，将两个节点之间的相似性建模为一条边来构建一个图。我们将节点特征嵌入表示为

并使用相似性矩阵

来表示该视图上药物之间的成对相似性。给定T个不同的视图，多视图相似性集成的任务是推导出一个跨所有视图的集成节点嵌入Z和相似性矩阵A。

4.1 与多视图图形自动编码器的相似性集成

多视图的基本图形网络结构

给定每个视图u的节点嵌入Z(u)，我们连接每个视图的嵌入Z(u)，以获得节点的新表示Z。



两个节点之间的预测可以由sigmoid函数完成,如下：

该方法的结构如下所示：

相似矩阵融合

我们也可以首先获得一个集成的相似性矩阵，并为所有视图只构建一个图，而不是将不同视图中的节点嵌入连接起来。在此单一图形中，所有视图的节点特征都是固定的。考虑到归一化的复杂性，为了融合相似性，我们首先归一化所有的相似性矩阵，归一化后的相似性矩阵表示为：

然后聚合所有的相似性矩阵，得到一个综合的相似性矩阵作为图的邻接矩阵:

是不同相似性矩阵的混合权重。我们使用一个单层的GraphCNN来编码:

之后，我们将嵌入解码回原始特征空间

损失如下

带关注力的视图选择

在实践中，每个视图的融合可能是非线性的，而每个视图中特征的权重需要由数据和目标任务来决定。考虑到这种灵活性，在本节中，我们通过将来自不同视图的特征与注意机制相融合来扩展混合方案，其中特征的权重由相应的输入来确定。注意视图选择方案如图2所示。

假设我们有每个视图的邻接矩阵

我们给图的边分配关注力权重

对于每个视图，我们首先将原始邻接矩阵投影到一个非归一化矩阵

然后在不同的视图上归一化它们以获得关注权重

我们把gu限定为一个向量，并构成加权相似矩阵

带注意力的相似矩阵如下

然后我们对它们进行归一化，得到每个position i 的注意力权重:


最终的相似矩阵为

在我们得到新的基于注意力的相似度矩阵A后，我们可以使用与4.2和4.3相同的框架。

4.2 给定部分标记数据的半监督扩展

我们可以保持自动编码器框架不变，并使用网络h: h(Z) = Softmax(WZ + b)预测训练数据上的标签。h的预测损失如下

新模型将两个损失函数整合为其目标函数

4.3 使用测试标签作为变量的转换学习

有时，当我们只有相似性矩阵的图结构而没有节点特征。这促使我们开发另一个方案来扩展之前引入的图形自动编码器，以改善没有节点特征的学习。
我们不使用GAE的原始节点特征或单热点节点向量，而是考虑一种替代方法:我们使用训练标签(即每个节点的DDI链接)作为输入，并使用与图1©中相同的GAE结构来重建它们。因此图形自动编码器将输出预测的链接

此外，如果我们将相似性视为图的边，测试节点的标签也会影响训练节点的解码。因此，我们采用了一种转换方法来使用测试标签作为附加的潜在变量。标签的预测如下:

该模型的目标函数由下式给出: