<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ShenggengLin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ShenggengLin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ShenggengLin]]></copyright><item><title><![CDATA[生物信息学|药物发现中的机器学习技术（2）]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/112275038</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/112275038</guid><author>ShenggengLin</author><pubDate>Thu, 25 Mar 2021 13:23:29 +0800</pubDate><description><![CDATA[本篇推文引自：Advanced machine-learning techniques in drug discovery
1. 迁移学习
    如果数据量比较少，那么有一些技术可以用来规避这个问题。迁移学习就是这样一种技术，它是将从解决一项任务中获得的知识转移到另一项相关任务的过程。迁移学习是一种越来越流行的ML框架，特别是在医学图像分类中，它包含了一系列技术。迁移学习是通过从已经学习的相关任务中转移知识来改进对新任务的学习。该技术利用从用于预测其目标变量Ya的大数据集A生成的特征，并从数据不足的数据集]]></description><category></category></item><item><title><![CDATA[生物信息学|药物发现中的机器学习技术（1）]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/112231206</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/112231206</guid><author>ShenggengLin</author><pubDate>Thu, 25 Mar 2021 13:23:12 +0800</pubDate><description><![CDATA[本篇推文引自：Advanced machine-learning techniques in drug discovery
1. 摘要：
    机器学习(ML)在药物发现中的持续增长，产生了令人印象深刻的结果。随着它们的使用增加，它们的局限性也变得越来越明显。这些局限性包括它们对大数据的需求、数据的稀缺性以及缺乏可解释性。也很明显的是，这些技术并不是真正自主的，即使在部署后也需要再训练。在这篇综述中，我们详细介绍了如何使用先进技术来规避这些挑战，并举例说明了药物发现和相关学科。此外，我们提出了新兴技术及其]]></description><category></category></item><item><title><![CDATA[生物信息学|利用层注意图卷积网络预测药物-疾病关联]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/111631192</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/111631192</guid><author>ShenggengLin</author><pubDate>Thu, 25 Mar 2021 13:22:54 +0800</pubDate><description><![CDATA[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，L]]></description><category></category></item><item><title><![CDATA[生物信息学|变分图自编码器]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/111319436</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/111319436</guid><author>ShenggengLin</author><pubDate>Thu, 25 Mar 2021 13:22:33 +0800</pubDate><description><![CDATA[本篇推文引自：Variational Graph Auto-Encoders
1. 图结构数据的隐变量模型：
    本文提出了变分图自动编码器(VGAE)，这是一种基于变分自动编码器(VAE)对图结构数据进行无监督学习的框架。这个模型利用潜在变量，能够学习无向图的可解释的潜在表示(见图1)。

    我们使用一个图形卷积网络(GCN)编码器和一个简单的内积解码器来演示这个模型。我们的模型在引文网络的链接预测任务上取得了有竞争力的结果。与现有的基于图结构数据的无监督学习模型和链路预测模型相比，我们的模型可]]></description><category></category></item><item><title><![CDATA[生物信息学|新颖的深度学习模型，更准确地预测药物-药物相互作用]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/111128674</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/111128674</guid><author>ShenggengLin</author><pubDate>Thu, 25 Mar 2021 13:22:09 +0800</pubDate><description><![CDATA[本篇推文引自：Novel deep learning model for more accurate prediction of drug-drug interaction effects
1. 摘要
    背景：准确地预测药物-药物相互作用(DDIs)的影响对于更安全更有效的药物联合处方很重要。许多预测DDIs效应的计算方法已经被提出，目的是减少在体内或体外识别这些相互作用的难度，但预测性能仍有改进的空间。
    结果：在本研究中，我们提出了一种新的深度学习模型来更准确地预测DDIs的效果。提出的模型]]></description><category></category></item><item><title><![CDATA[生物信息学|miRNA-疾病关联预测的图形自动编码模型]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/110450171</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/110450171</guid><author>ShenggengLin</author><pubDate>Thu, 25 Mar 2021 13:21:29 +0800</pubDate><description><![CDATA[本篇推文引自：A graph auto-encoder model for miRNA-disease associations prediction
1. 摘要
    越来越多的证据表明miRNAs的异常表达参与了人类各种复杂疾病的进化和进展。将疾病相关的miRNAs作为新的生物标志物，可以促进疾病病理学和临床医学的发展。我们提出了一种新的图自动编码模型GAEMDA，用于端到端地识别miRNA疾病的潜在关联。具体地说，GAEMDA模型应用了基于图神经网络的编码器，它包含聚合函数和多层感知器，用于聚集节点]]></description><category></category></item><item><title><![CDATA[生物信息学|MOLI:基于深度神经网络进行多组学数据整合并用于药物反应预测]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/112651890</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/112651890</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:36:29 +0800</pubDate><description><![CDATA[本篇推文引自：MOLI: multi-omics late integration with deep neural networks for drug response prediction
摘要
    动机:从历史上看，基因表达被证明是预测药物反应的最有价值的数据。最近的证据表明，整合额外的组学可以提高预测的准确性，这就提出了如何整合额外的组学的问题。无论采用何种整合策略，临床效用和可转化性都是至关重要的。因此，我们推断多组学方法结合临床数据集将提高药物反应预测和临床相关性。
    结果:提出了一种]]></description><category></category></item><item><title><![CDATA[生物信息学|癌症药物图谱使药物协同靶向成为可能]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/113061572</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/113061572</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:34:54 +0800</pubDate><description><![CDATA[本篇推文引自：A cancer drug atlas enables synergistic targeting of independent drug vulnerabilities
1. 摘要
    使用联合药物协同作用进行个性化的癌症治疗是有吸引力的，但同时也是一件困难的事情。在这里，我们提出了一种方法来揭示基于单药效应分析的药物组合的有效性。为此，我们使用了来自药物基因组百科全书的剂量反应数据，并将这些数据表示为药物图谱。药物图谱代表了药物作用之间的关系，并允许识别肿瘤在被两种药物攻击时的独立过程]]></description><category></category></item><item><title><![CDATA[生物信息学|Attention Is All You Need]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/113484009</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/113484009</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:32:46 +0800</pubDate><description><![CDATA[本篇推文引自：Attention Is All You Need
摘要
    主要的序列数据转导模型都是基于复杂的递归或卷积神经网络，其中包括一个编码器和一个解码器。我们提出了一种新的简单网络结构，Transformer，完全基于注意机制，避免了递归和卷积。在两个机器翻译任务上的实验表明，该模型具有更高的质量，同时具有更强的并行性和更少的训练时间。我们的模型在WMT 2014英德语翻译任务中达到28.4 BLEU，比现有的最佳结果(包括集成)提高了2倍以上。在WMT 2014英法翻译任务中，我们的模型在8]]></description><category></category></item><item><title><![CDATA[生物信息学|自注意力机制]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/113688416</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/113688416</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:31:30 +0800</pubDate><description><![CDATA[0. 什么是自注意力机制
    自注意力类似于注意力机制，它们从根本上共享相同的概念和许多常见的数学运算。自注意力模块根据k个输入，返回k个输出。此模块中允许输入相互交换信息，并找出他们应该更加关注哪个输入。

自注意力机制分为以下步骤:

准备输入
初始化权重
派生键、查询和值
计算输入1的注意力得分
计算softmax
分数与值相乘
对加权值求和得到输出1
为输入2和输入3重复步骤4-7

注意：数学运算是向量化的，即所有输入一起进行数学运算。
1. 准备输入

    在本教程中，假设有3个输入，每]]></description><category></category></item><item><title><![CDATA[生物信息学|疾病预测的个体特定边网络分析]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/113816876</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/113816876</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:30:09 +0800</pubDate><description><![CDATA[1. 摘要
    在健康不可逆转恶化之前预测疾病前状态或临界点是一项困难的任务。基于动态网络生物标志物（DNB）理论的边网络分析（ENA）通过挖掘组学数据丰富的动态和高维信息，为研究这一问题开辟了一条新的途径。尽管理论上ENA能够识别疾病进展过程中的疾病前状态，但它需要多个样本对每个个体进行这种预测，这在临床实践中通常是不可用的，从而限制了其在个性化医学中的应用。为了克服这一问题，我们提出了用DNB检测个体特异性ENA（iENA）的方法，以单样本的方式识别每个个体的疾病前状态。特别是，除了传统的疾病诊断外]]></description><category></category></item><item><title><![CDATA[生物信息学|Extracting Drug-Drug Interactions with Attention CNNs]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/113931274</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/113931274</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:29:05 +0800</pubDate><description><![CDATA[0. 摘要
    本文提出了一种新的基于注意力机制的卷积神经网络(CNN)的药物-药物相互作用(DDI)提取模型。CNN已经被证明在DDI提取任务上有很大的潜力;然而，尽管注意力机制在一般领域的分类任务中被证明是有效的，但在目标-实体对句子中强调重要词的注意力机制尚未被利用CNN进行研究。我们在DDI提取-2013共享任务的任务9.2上评估了我们的模型。我们的注意力机制提高了基于CNN的基础DDI模型的性能，该模型获得了69.12%的f-score，可以与最先进的模型竞争。
1. 介绍
    当同时给病]]></description><category></category></item><item><title><![CDATA[生物信息学|通过基于多模态注意机制的卷积编码器进行可解释的抗癌化合物灵敏度预测]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/114216060</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/114216060</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:28:02 +0800</pubDate><description><![CDATA[0. 摘要
    根据最近神经网络在药物设计和灵敏度预测方面的进展，我们提出了一种新的模型，利用基于多模态注意机制的卷积编码器对抗癌化合物灵敏度进行可解释预测。我们的模型基于药物敏感性的三个关键数据:化合物结构（SMILES），肿瘤的基因表达谱，以及来自蛋白质-蛋白质相互作用网络的细胞内相互作用的先验知识。我们证明，我们的多尺度卷积注意力编码器显著优于基于Morgan指纹训练的基线模型和基于SMILES的编码器选择，以及先前报道的最先进的多模态药物敏感性预测。此外，通过对注意权重的深入分析，证明了本文方法]]></description><category></category></item><item><title><![CDATA[生物信息学|通过整合药物表型、治疗、化学结构和基因组特征，使用机器学习预测药物-药物相互作用]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/114334158</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/114334158</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:25:52 +0800</pubDate><description><![CDATA[0. 摘要
    目的：药物-药物相互作用(drug - drug interaction, dis)是药物开发和临床应用的重要考虑因素，尤其是联合用药。虽然在临床试验期间有必要确定所有可能的DDIs，但DDIs经常是在药物被批准临床使用后报告的，它们是引起药物不良反应(ADR)和增加医疗保健成本的常见原因。计算方法可以在临床试验中帮助识别潜在的DDIs。
    方法：提出一种异构网络辅助推理(HNAI)框架来辅助预测DDIs。首先，我们基于DrugBank数据构建了一个完整的DDI网络，该网络包含72]]></description><category></category></item><item><title><![CDATA[生物信息学|机制驱动的可解释深度神经网络，用于药物组合的协同预测和通路反卷积]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/114840484</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/114840484</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:22:43 +0800</pubDate><description><![CDATA[0. 摘要
    联合用药在癌症治疗方面显示出了巨大的潜力。不仅可以减轻耐药性，而且可以提高治疗效果。抗癌药物数量的快速增长已经导致所有药物组合的实验研究变得昂贵和耗时。计算技术可以提高药物联合筛选的效率。尽管最近在将机器学习应用于协同药物组合预测方面取得了进展，但仍存在一些挑战。首先，现有方法的性能是次优的。还有很大的改进空间。第二，生物知识没有完全融入到模型中。最后，许多模型缺乏可解释性，限制了它们的临床应用。为了应对这些挑战，我们开发了一种基于知识和自注意力机制的增强深度学习模型TranSynerg]]></description><category></category></item><item><title><![CDATA[生物信息学|基于多尺度特征融合的药物-药物相互作用预测]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/115050639</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/115050639</guid><author>ShenggengLin</author><pubDate>Wed, 24 Mar 2021 14:20:21 +0800</pubDate><description><![CDATA[0. 摘要
    动机:不良药物-药物相互作用(DDIs)是药物研究的重要内容，是药物发病和死亡的主要原因。因此，识别潜在的DDIs对于医生、患者和社会都是至关重要的。现有的传统机器学习模型严重依赖手工特征，缺乏泛化。近年来，深度学习方法能够自动从分子图或药物相关网络中学习药物特征，提高了计算模型预测未知ddi的能力。然而，以往的研究都是利用大量的标记数据，只考虑药物的结构或序列信息，而没有考虑药物与其他生物医学对象(如基因、疾病、通路等)之间的关系或拓扑信息，或者只考虑知识图谱(KG)，而没有考虑药物分]]></description><category></category></item><item><title><![CDATA[生物信息学|DeepPurpose:药物靶标相互作用预测的深度学习库]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/110098120</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/110098120</guid><author>ShenggengLin</author><pubDate>Wed, 09 Dec 2020 14:48:16 +0800</pubDate><description><![CDATA[本篇推文引自：Novel deep learning model for more accurate prediction of drug-drug interaction effects
1. 摘要
    背景：准确地预测药物-药物相互作用(DDIs)的影响对于更安全更有效的药物联合处方很重要。许多预测DDIs效应的计算方法已经被提出，目的是减少在体内或体外识别这些相互作用的难度，但预测性能仍有改进的空间。
    结果：在本研究中，我们提出了一种新的深度学习模型来更准确地预测DDIs的效果。提出的模型]]></description><category></category></item><item><title><![CDATA[生物信息学|通过图卷积编码器和深度集解码器，基于药物结构预测药物药物相互作用]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/109750565</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/109750565</guid><author>ShenggengLin</author><pubDate>Wed, 09 Dec 2020 14:47:29 +0800</pubDate><description><![CDATA[本篇推文引自：Structure-Based Drug-Drug Interaction Detection via Expressive Graph Convolutional Networks and Deep Sets
1. 摘要
    在这项工作中，我们提出了一种利用图卷积网络和深集(deep sets),基于分子结构的药物药物相互作用检测方法。与传统的GCN相比，我们提出了一个更具鉴别性的卷积层，在不丧失捕获复杂相互作用的能力的情况下实现置换不变预测（置换不变预测应该指的是，药物A与药物B的相互]]></description><category></category></item><item><title><![CDATA[生物信息学|用于预测药物-药物相互作用事件的多模态深度学习框架]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/109628190</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/109628190</guid><author>ShenggengLin</author><pubDate>Wed, 09 Dec 2020 14:46:31 +0800</pubDate><description><![CDATA[本篇推文引自：A multimodal deep learning framework for predicting drug–drug interaction events
1. 摘要
    动机:药物-药物相互作用(DDIs)是药物研究的主要关注之一。很多基于机器学习的方法被提出用于DDI的预测，但大多数都是预测两种药物是否相互作用。研究发现DDIs可引起不同的后续事件，预测DDI相关事件更有助于探讨联合用药或不良反应背后隐藏的机制。
    结果:在本文中，我们从DrugBank数据库中收集DDIs]]></description><category></category></item><item><title><![CDATA[生物信息学|深度学习改善了药物药物相互作用和药物食物相互作用的预测精度]]></title><link>https://blog.youkuaiyun.com/ShenggengLin/article/details/109481521</link><guid>https://blog.youkuaiyun.com/ShenggengLin/article/details/109481521</guid><author>ShenggengLin</author><pubDate>Wed, 09 Dec 2020 14:45:27 +0800</pubDate><description><![CDATA[本篇推文引自：DPDDI: a deep predictor for drug-drug interactions
1. 摘要
    在本工作中，我们提出了一种新的方法(即DPDDI)，利用图卷积网络(GCN)和深度神经网络(DNN)模型作为预测器，从DDI网络中提取药物的网络结构特征，从而预测DDIs。GCN通过获取DDI网络中药物的拓扑关系来学习药物的低维特征表示。DNN预测器将任意两种药物的潜在特征向量串联起来作为对应药物对的特征向量，训练一个DNN，用于预测潜在的药物-药物相互作用。实验结果表明，]]></description><category></category></item></channel></rss>