Briefings in Bioinformatics-2021 知識圖譜-生物信息學(xué)-醫(yī)學(xué)頂刊論文：生物信息學(xué)中的圖表示學(xué)習(xí)：趨勢、方法和應(yīng)用 _生活百科

4.(2021.6.24)Briefings-生物信息學(xué)中的圖表示學(xué)習(xí)：趨勢、方法和應(yīng)用論文標(biāo)題: Graph representation learning in bioinformatics: trends, methods and applications論文期刊: Briefings in Bioinformatics 2021論文地址: https://www.researchgate.net/profile/Haicheng-Yi/publication/354327323_Graph_representation_learning_in_bioinformatics_trends_methods_and_applications/links/625c158c709c5c2adb836141/Graph-representation-learning-in-bioinformatics-trends-methods-and-applications.pdf

4.(2021.6.24)Briefings-生物信息學(xué)中的圖表示學(xué)習(xí)：趨勢、方法和應(yīng)用
- 摘要
- 1.引言
- 2.圖表示學(xué)習(xí)概述
  - 2.1 基本定義
    - 2.1.1 定義1：同構(gòu)圖和異構(gòu)圖
    - 2.1.2 定義2：屬性圖
    - 2.1.3 定義3：元路徑
    - 2.1.4 定義4：一階鄰近度
    - 2.1.5 定義5：高階鄰近度
    - 2.1.6 定義6：語義鄰近
  - 2.2 同構(gòu)圖嵌入
    - 2.2.1 基于矩陣分解的方法
    - 2.2.2 基于隨機(jī)游走的方法
    - 2.2.3 基于傳統(tǒng)深度學(xué)習(xí)的方法
  - 2.3 異構(gòu)圖嵌入
    - 2.3.1 基于元路徑的方法
    - 2.3.2 基于分解的方法
    - 2.3.3 基于傳統(tǒng)深度學(xué)習(xí)的方法
  - 2.4 屬性圖嵌入
  - 2.5 圖神經(jīng)網(wǎng)絡(luò)(GNN)
    - 2.5.1 圖遞歸神經(jīng)網(wǎng)絡(luò)(GRN)
    - 2.5.2 圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)
    - 2.5.3 圖自動編碼器(GAE)
    - 2.5.4 圖生成對抗性網(wǎng)絡(luò)(GGAN)
    - 2.5.5 開源
- 3.在生物信息學(xué)中的應(yīng)用
  - 3.1 分子圖的表示學(xué)習(xí)
    - 3.1.1 分子表示學(xué)習(xí)
    - 3.1.2 分子性質(zhì)預(yù)測
    - 3.1.3 分子圖生成
  - 3.2 多組學(xué)中的圖表示學(xué)習(xí)
    - 3.2.1 基因組學(xué)圖分析
    - 3.2.2 蛋白質(zhì)組圖分析
    - 3.2.3 轉(zhuǎn)錄組圖分析
  - 3.3 藥學(xué)中的圖表示學(xué)習(xí)
    - 3.3.1 藥物-靶點(diǎn)相互作用(DTI)預(yù)測
    - 3.3.2 藥物-藥物相互作用(DDI)預(yù)測
  - 3.4 醫(yī)療保健中的圖表示學(xué)習(xí)
- 4.挑戰(zhàn)和機(jī)遇
  - 4.1 數(shù)據(jù)質(zhì)量
  - 4.2 復(fù)雜的圖結(jié)構(gòu)
  - 4.3 可解釋性和魯棒性
- 結(jié)論

摘要圖是描述復(fù)雜系統(tǒng)的一種天然數(shù)據(jù)結(jié)構(gòu)，它包含一系列對象和關(guān)系。無處不在的現(xiàn)實(shí)生活中的生物醫(yī)學(xué)問題可以建模為圖分析任務(wù) 。機(jī)器學(xué)習(xí)，特別是深度學(xué)習(xí)，在大量的生物信息學(xué)場景中取得成功，數(shù)據(jù)以歐氏空間表示。然而，非歐幾里德生物醫(yī)學(xué)圖中保留了豐富的生物元素之間的關(guān)系信息，這對經(jīng)典的機(jī)器學(xué)習(xí)方法來說并不友好。圖表示學(xué)習(xí)的目的是將圖嵌入到低維空間中，同時(shí)保持圖的拓?fù)浜凸?jié)點(diǎn)屬性。它連接了生物醫(yī)學(xué)圖和現(xiàn)代機(jī)器學(xué)習(xí)方法，最近引起了機(jī)器學(xué)習(xí)和生物信息學(xué)領(lǐng)域的廣泛關(guān)注。本文綜述了圖表示學(xué)習(xí)及其在生物信息學(xué)中的代表性應(yīng)用。為了提供全面和結(jié)構(gòu)化的分析和視角，我們首先對圖嵌入方法(同構(gòu)圖嵌入、異構(gòu)圖嵌入、屬性圖嵌入)和圖神經(jīng)網(wǎng)絡(luò)進(jìn)行了分類和分析。從分子水平到基因?qū)W、制藥和醫(yī)療保健系統(tǒng)水平，總結(jié)了它們的代表性應(yīng)用。此外，我們?yōu)閷?shí)現(xiàn)這些圖表示學(xué)習(xí)方法總結(jié)了相關(guān)方法的開源平臺和庫，并討論了生物信息學(xué)中圖表示學(xué)習(xí)的挑戰(zhàn)和機(jī)遇。這項(xiàng)工作對新興的圖表示學(xué)習(xí)算法及其在生物信息學(xué)中的應(yīng)用做了一個(gè)全面的調(diào)查。預(yù)計(jì)它將為研究人員提供有價(jià)值的見解，以協(xié)助他們?yōu)閳D表示學(xué)習(xí)和面向未來的生物信息學(xué)研究做出貢獻(xiàn) 。
1.引言圖是一種自然的數(shù)據(jù)結(jié)構(gòu)，它包含一組對象和對象之間的兩兩關(guān)系的集合，是描述和建模現(xiàn)實(shí)生活中普遍存在的復(fù)雜系統(tǒng)的通用語言，如社交網(wǎng)絡(luò)、學(xué)術(shù)引文網(wǎng)絡(luò)和詞語同現(xiàn)網(wǎng)絡(luò)(不同單詞出現(xiàn)在同一句子中) 。從分子結(jié)構(gòu)到醫(yī)療保健系統(tǒng)，生物醫(yī)學(xué)圖在生物醫(yī)學(xué)和生命科學(xué)領(lǐng)域無處不在，例如，基因調(diào)控網(wǎng)絡(luò)、蛋白質(zhì)相互作用(PPI)網(wǎng)絡(luò)、人腦連接體和生物醫(yī)學(xué)知識圖譜。圖正日益成為生物醫(yī)學(xué)系統(tǒng)建模、學(xué)習(xí)和推理的主要工具。