BIB | 基于异构信息网络的图表示学习预测药物-疾病关联

今天介绍的是中国科学院新疆理化技术研究所胡伦老师2022年发表在Briefings in Bioinformatics上的一篇文章“HINGRL: predicting drug–disease associations with graph representation learning on heterogeneous information networks”。本文提出了一种基于异构信息网络的图表示学习方法，用来预测药物-疾病关联。

识别药物的新适应症在药物研究和开发的许多阶段起着重要作用。现有方法大多是通过构建各种异构网络来完成任务，而不考虑药物和疾病的生物学知识。为此，作者提出了一种基于图表示学习的异构信息网络(HIN)模型，即HINGRL，用于药物新适应症的精确识别。具体来说，HINGRL首先通过整合药物-疾病、药物-蛋白质和蛋白质-疾病的关联网络，结合药物和疾病的生物学知识，构建一个HIN。然后，采用不同的表示策略从网络拓扑和生物学角度学习HIN中节点的特征。最后，HINGRL采用Random Forest分类器，预测未知的药物疾病关联。实验结果表明，与目前最先进的模型相比，HINGRL在两个真实数据集上取得了最好的性能。

内容中包含的图片若涉及版权问题，请及时与我们联系删除