生物信息学|利用层注意图卷积网络预测药物-疾病关联

本篇推文引自：Predicting drug–disease associations through layer attention graph convolutional network

1. 摘要：

    背景:确定药物与疾病的关联是药物开发过程中不可分割的一部分。然而，通过湿法实验来确定药物-疾病的关联是昂贵和低效的。因此，开发高效、高精度的预测药物-疾病相关性的计算方法具有重要意义。
    结果:本文提出了一种新的计算方法——层注意图卷积网络(LAGCN)，用于药物-疾病关联预测。具体来说，LAGCN首先将已知的药物-疾病关联、药物-药物相似度和疾病-疾病相似度整合到一个异构网络中，并对网络应用图卷积运算来学习药物和疾病的表示。其次，LAGCN使用注意机制将来自多个图卷积层的表示相结合。第三，基于整合表示对未观察到的药物-疾病关联进行评分。通过5次交叉验证，LAGCN 的area under the precision–recall curve为0.3168，receiver–operating characteristic curve为0.8750，均优于现有最先进的预测方法和基线方法的结果。案例研究表明，LAGCN可以发现未在我们的数据集中包含的新关联。

    结论:LAGCN是一种预测药物-疾病相关性的有效工具。研究表明，不同卷积层的表示可以反映不同阶次的近似性，通过注意机制将表示相结合可以提高预测性能。

    LAGCN的实现和预处理数据可以在https://github.com/storyandwine/LAGCN上找到。

2. 介绍：

    药物开发是一个极其漫长和昂贵的过程。高精度(ACC)计算方法的发展具有深远的意义，同时也面临着巨大的挑战，一直受到人们的关注。

    以往预测药物-疾病关联的计算方法大致可分为三类，即基于网络扩散的方法、基于机器学习的方法和基于深度学习的方法。

    本文提出了一种新的端到端层次关注图卷积网络(LAGCN)预测药物-疾病关联的方法。