AI医药论文笔记DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug....
DeepDDS:具有注意机制的深度图神经网络预测协同用药
文章目录
- DeepDDS:具有注意机制的深度图神经网络预测协同用药
- 一、模型?
- 二、具体方法?
- 三、实验结果?
一、模型?
DeepDDS :基于图卷积网络和注意力机制的深度学习模型,以识别能够有效抑制特定癌细胞生存能力的药物组合。
步骤:
- 通过多层感知 MLP获得癌细胞基因表达谱的特征嵌入。
- 基于药物SMILES生成的药物分子图,通过GAT或GCN获得药物的特征嵌入。
- 将药物和细胞株的嵌入向量连接送到多层全连接网络中,预测协同效应,实现药物组合的二元分类(协同或拮抗)。
数据集:
- 药物:DrugBank中提取SMILES。通过RDKit转换为图结构。
- 肿瘤细胞:基因表达数据来源于CCLE
二、具体方法?
- GCN
- GAT
提出了一种基于多头注意的体系结构,利用自注意机制学习图中节点的高级特征。每个注意力头都有自己的参数。
节点的输出特征计算为:
引入’softmax’函数对所有邻居节点进行归一化,以便于计算和比较。
基于MLP的细胞特征提取
MLP包括两个隐藏层
预测药物组合与细胞系的协同效应
通过 GAT 或 GCN 的药物嵌入向量,以及通过 MLP 的细胞系嵌入向量,将它们连接起来作为多个全连接层的输入。
对全连接层采用纺锤形结构。 协同效应(分类标签)的概率由最后一个隐藏层输出后的softmax函数计算,如下:
三、实验结果?
将DeepDDS与经典机器学习方法(SVM、RF、GTB和XGBoost)和其他最新的深度学习方法(DTF、DeepSynergy和TranSynergy)进行了比较,发现DeepDDS明显优于其他竞争方法。
思考:DeepDDS的预测精度仍然局限于独立测试集,尽管我们的方法的性能远远优于所有竞争方法。我们认为,性能有限主要是由于训练样本数量少。事实上,基准数据集实际上只包括38种独特药物和39种癌细胞系,而如果包括新药物,可能的药物组合空间要大得多。
在我们的方法中,使用两种不同的图神经网络 GAT 和 GCN 来学习药物嵌入向量。 我们广泛地比较了它们的性能,以及相当多的竞争方法。 总体而言,GAT 的性能略好于 GCN,因此我们进一步探索了 GAT 模型的可解释性。 然而,我们已经意识到分子图的物理化学性质和原子之间的注意力权重尚未完全了解。 未来,我们有兴趣研究原子之间的联系,将更多的信息资源整合到 DeepDDS 模型中,以提高模型的可解释性和可预测性。
AI医药论文笔记DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug....相关推荐
- 【论文阅读】Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
最近在看3d目标检测的文章,感觉看完东西还是要记一下自己的想法,尤其是有思考的文章. 论文题目:Point-GNN: Graph Neural Network for 3D Object Detect ...
- 论文阅读 - Social Bot-Aware Graph Neural Network for Early Rumor Detection - CCF B
目录 摘要: 1 绪论 2 问题定义 3 SBAG模型 3.1社交机器人检测 3.2 机器人感知图神经网络 3.2.1基于GCN的用户发布 3.2.2 基于GAT的用户交互 3.2.3文本编码器 3. ...
- 【论文笔记】Tube Convolutional Neural Network (T-CNN) for Action Detection in Videos
这篇论文提出了一种称为管道卷积神经网络( tube convolutional neural network,T-CNN) 的结构,它是 Faster R-CNN 从 2D 到 3D 的扩展.该方法先 ...
- AI医药论文笔记--GraphDTA: Predicting drug–target binding affinity with graph neural networks
GraphDTA:用图神经网络预测药物-靶点结合亲和力 论文题目 GraphDTA: Predicting drug–target binding affinity with graph neural ...
- AI医药论文笔记--Deep learning improves prediction of drug–drug and drug–food interactions
深度学习用于提高对药物-药物相互作用和药物-食物相互作用的预测 论文题目 Deep learning improves prediction of drug–drug and drug–food in ...
- 论文笔记:Federated Graph Neural Networks: Overview, Techniques and Challenges
论文地址:https://arxiv.org/pdf/2202.07256.pdf 目录 一.摘要 二.引言 三.3层FedGNN分类方法 1.分类方法简述 2.客户端通过图拓扑进行关联 2.1.有中 ...
- 论文笔记--Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting
在交通预测问题上,现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间关联.作者认为使用给定的空间邻接图会限制模型的有效时空相关性学习,并且它们通常使用单独的模块来实现空间和时间相关性,或者 ...
- 论文笔记 | FFConv: Fast Factorized Neural Network Inference on Encrypted Data
FFConv 问题背景 同态加密神经网络 (HENN) 打包加密 主要技术 低秩矩阵分解 分解打包(Factorized Packing, FactPack) 实验结果 MNIST数据集 CIFAR- ...
- 论文笔记--GMAN: A Graph Multi-Attention Network for Traffic Prediction
Summary 在交通预测问题上,作者针对时空因素提出了一种图多注意网络(GMAN)来预测道路网络图上不同位置的时间步长提前的交通状况.GMAN主要采用了编码解码的架构.编码器和解码器之间包含一个注意 ...
最新文章
- 从零开始一起学习SLAM | 点云到网格的进化
- C#调用ArcGIS REST服务
- (46)分析 INT 0x2E 和 sysenter
- php中is_int用法,php – is_int()和ctype_digit()之间有区别吗?
- IDEA常用快捷键【win-mac对比】
- webpack配置:css文件打包、JS压缩打包和HTML文件发布
- eclipse的maven配置及本地仓库配置
- 在装有Anaconda的情况下,使用默认的python程序方法
- poj1860(spfa判正环)
- 19 Tips For Everyday Git Use
- 洛谷——P1319 压缩技术
- LeetCode 110. Balanced Binary Tree
- 拓端tecdat|R语言逻辑回归和泊松回归模型对发生交通事故概率建模
- hdu 1452 因子和 + 逆元素+ 快速幂
- 2021-08-25Prompt
- 做了三年Java,java参考文献近五年图书
- 微信小程序中跳转另一个小程序(两种方式)
- 云服务器项目乱码,云服务器Ubuntu系统下中文乱码问题解决方案
- SSL基础:11:使用req子命令创建自签名证书
- python游戏数据分析
热门文章
- TFTP 简单文件传输协议
- Spark源码阅读(五) --- Spark的支持的join方式以及join策略
- Unity Profiler Gfx.WaitForPresentOnGfxThread占用过高
- 江南大学大作业答案 计算机网络,江南大学大作业答案 计算机网络
- Bag of words and Bag of features
- 禁用传统支持和启用安全引导_如何为Windows 10启用或禁用安全登录
- 景观生态学原理| 3 景观格局与分析
- 网络工程师和java工程师,请问做网络工程师与程序员哪个更愉快呢
- Docker nginx部署多个web静态资源,且隐藏端口
- 【干货】Python中“\n”、“\t”、“end”的用法