论文阅读《Multimodal Drug Target Binding Affinity Prediction using Graph Local Substructure》

《Multimodal Drug Target Binding Affinity Prediction using Graph Local Substructure》

主要记录一些自己不明白的地方

---

提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

记录阅读过程中的问题

一、模型架构

我们提出了一个药物靶点结合亲和力预测模型MLSDTA，该模型的总体框架如图3所示。在我们的模型中，药物和靶标同时使用序列和图形输入来表示。我们从两种形式中提取特征，使它们相辅相成，从而获得全面、完整的信息。对于图表示的输入，我们首先使用图卷积网络（GCN）[31]从分子图中学习拓扑结构信息。然后，为了充分学习拓扑结构信息，同时避免学习到的节点特征表示缺乏可区分性，采用DropNode策略对特征表示进行处理.为了突出局部相互作用中的官能团和关键残基，并将模型聚焦于关键相互作用区域，使用自适应结构感知池（ASAPool）[32]生成包含局部亚结构信息的图。同时，CNN和挤压激励网络（SENet）[33]被用作获得序列特征的输入特征提取器。在完成序列特征提取和图形特征提取的基础上，利用多模态特征交叉注意，使不同模态特征之间能够学习到相关性。最后，将所有特征表示进行连接回归，以预测药物与靶标的结合亲和力。
这段文字描述了一个名为 MLSDTA 的药物靶点结合亲和力预测模型。让我来逐步解释一下这个模型的工作原理：

1. 模型输入：

   • 药物和靶点的表示：药物和靶点同时使用序列和图的输入形式进行表示。
   • 特征提取：从这两种形式中提取特征，使它们相互补充，以获得全面和完整的信息。

2. 图表示输入：

   • 图卷积网络 (GCN)：首先使用图卷积网络从分子图中学习拓扑结构信息。
   • DropNode策略：为了充分学习拓扑结构信息，同时避免节点特征表示中缺乏可区分性，使用了DropNode策略来处理特征表示。
   • 自适应结构感知池化 (ASAPool)：为了突出局部相互作用中的功能基团和关键残基，并使模型关注关键相互作用区域，使用了ASAPool来生成包含局部子结构信息的图。

3. 序列表示输入：

   • 卷积神经网络 (CNN) 和挤压与激励网络 (SENet)：作为输入特征提取器，获取序列特征。

4. 特征融合：

   • 多模态特征交叉注意力：在完成序列特征提取和图特征提取后，使用多模态特征交叉注意力使不同模态特征学习它们之间的相关性。
   • 特征拼接：最后，将所有特征表示拼接在一起进行回归，以预测药物和靶点之间的结合亲和力。

问题：怎么生成局部子结构的图：
自适应结构感知池（ASAPool）是一种用于图神经网络（GNN）的稀疏且可微的池化方法，它通过以下步骤生成包含局部亚结构信息的图：

1. 节点重要性评估：ASAPool 使用一种自注意力网络来评估每个节点在给定图中的重要性。这意味着它会根据节点的特征和邻居节点的信息来确定哪些节点在图中更为重要。

2. 稀疏软聚类分配：在每一层中，ASAPool 学习一个稀疏的软聚类分配，将节点分配到不同的簇中。这些簇代表了图中的局部子结构。

3. 子图池化：通过将节点分配到不同的簇中，ASAPool 有效地对子图进行池化，形成一个包含局部子结构信息的图。这些子图保留了原始图中的重要拓扑结构信息，同时减少了图的复杂性。

4. 层次化图表示：ASAPool 通过多层次的池化过程，逐步生成层次化的图表示。这些层次化的表示能够更好地捕捉图中的全局和局部结构信息。

通过这些步骤，ASAPool 能够生成包含局部亚结构信息的图，从而提高图神经网络在节点分类、链接预测和图分类等任务中的性能¹²³。

希望这个解释能帮助你更好地理解 ASAPool 的工作原理。如果还有其他问题或需要进一步的解释，请随时告诉我哦！💖

¹: ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations
²: ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph Representations
³: arXiv:1911.07979v3 [cs.LG] 2 Feb 2020

Source: Conversation with Copilot, 27/07/2024
(1) [1911.07979] ASAP: Adaptive Structure Aware Pooling for Learning … https://arxiv.org/abs/1911.07979.
(2) ASAP: Adaptive Structure Aware Pooling for Learning Hierarchical Graph … https://ojs.aaai.org/index.php/AAAI/article/view/5997.
(3) arXiv:1911.07979v3 [cs.LG] 2 Feb 2020. https://arxiv.org/pdf/1911.07979.
(4) undefined. https://doi.org/10.48550/arXiv.1911.07979.
(5) undefined. https://doi.org/10.1609/aaai.v34i04.5997.

二、使用步骤

1.引入库

代码如下（示例）：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

2.读入数据

代码如下（示例）：

data = pd.read_csv(
    'https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：

例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。