分子反馈预测研讨中取得新停顿

近日，华中农业年夜学人工智能与常识发现团队提出了一种实用于多种分子网络联系关系预测工作的、可迁徙的比照自监视深度图神经网络模子：CSGNN。此项任务是图神经网络在分子网络联系关系预测利用的最新结果。

期间存在分歧类型的分子网络，例如药物-靶点互作网络，药物-疾病联系关系网络、卵白质-卵白质互作网络等，从分子网络中找到尚未被发现的分子联系关系具备紧张的研讨代价。现有的盘算办法年夜多只能专一解决某一类网络的联系关系预测成绩，并且高度依赖网络实体的特征，办法不具备扩大性。此外，因为分子网络本身的稀少性和联系关系散布的不平衡性，也存在训练样本不敷、模子拟合后果差等成绩。

该研讨团队构建了一个图神经网络加强框架，该框架包括两个紧张部门：多步街坊深度图神经网络和比照培训图神经网络。前者通过同时聚合节点的多步街坊来更好的建模网络实体间的简单关系，间接加强模子的表现才能；后者通过引入比照自监视培训机制，通过最年夜化局部与网络总体的互信息，使得模子可以自发发生“伪标签”数据，从而解决了训练样本短少的成绩，该办法对各类预测工作具备更好地顺应性。CSGNN模子基于以上两个部门进行结合训练，具备优越的收敛性。综合试验标明，模子在7个有代表性生物医学数据集上成效显着，相比于之前的研讨办法，其性能有了显明提升。(100yiyao.com）