图(或网络)在生命科学和医学中无处不在，从分子相互作用图、信号转导途径，到科学知识的图表，以及来自人口研究和/或现实世界证据的患者-疾病干预关系。图机器学习(ML)方法的最新进展，如图神经网络(GNN)，已经改变了一系列依赖于生物医学网络的问题，传统上依赖于描述性拓扑数据分析。小分子和大分子，没有被建模为图，也看到了一个基于GNN算法，提高了最先进的性能，以学习他们的性质。与其他领域的图ML应用相比，生命科学提供了许多独特的问题和细微差别，从图构造到图级和双图级监督任务。

本教程的目的有两个。首先，它将全面概述生物医学图/网络的类型，潜在的生物和医学问题，以及解决这些问题的图ML算法的应用。其次，它将展示四个具体的生命科学GNN解决方案，并为与会者提供实践经验。这些实践环节将包括: 1) 训练和微调用于原子图小分子性质预测的GNN模型，2)用于残留图的大分子性质和功能预测，3 )基于双图的蛋白质-配体结合亲和力预测，4)组织和生成用于药物发现的新知识，并利用知识图谱进行再利用。本教程还将指导参会者开发Deep Graph library (DGL)软件库的两个扩展，包括DGL-lifesci和DGL- KE，从而启动他们自己的图ML之旅，推动生命科学的研发。

本教程向数据科学研究人员和从业人员介绍了应用于生物医学科学和医疗健康中各种问题的基于图神经网络(GNN)的方法。本教程首先概述了利用GNN实现小分子、大分子和生物医学知识图谱的各种机会。四项实践活动将为参与者提供一系列不同的生物医学问题，特别是如何部署基于GNN的库用于这些应用，导致生物表型预测，相互作用预测，亲和力预测和药物发现。

 

链接：https://github.com/dglai/Graph-Neural-Networks-in-Life-Sciences

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