目录内容：

  • 第1部分:概述:介绍用于生物医学的图表示学习
  • 第2部分:方法:神经消息传递，图神经网络，等变神经网络
  • 第3部分:应用:精准医疗
        关于疾病的推理，包括将转录组数据注入蛋白质相互作用网络以识别疾病进展的候选生物标志物的方法，建模非编码区域对疾病的影响，并将非编码RNA相互作用纳入蛋白质相互作用网络以捕获全基因组关联。
        关于治疗的推理，包括小分子化合物的分子图建模方法，药物-药物和药物-靶点相互作用的量化，以及确定药物-疾病的关联和复杂疾病的生物标志物。
        关于精准医疗的推理，特别关注个性化的医疗知识网络与患者记录。
  • 第4部分:展望:未来发展方向及答疑环节
        实践练习:演示、实现细节、工具和技巧。我们将涵盖以下材料:
        精准医疗的图机器学习教程
        用于治疗科学的图机器学习教程
下载链接：

https://zitniklab.hms.harvard.edu/biomedgraphml/

 

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