论文阅读：蛋白质作用预测

一、deepNF ：

1、目的：预测蛋白质功能

2、方法：多模型的深度自编码器，从多种异构相互作用网络中提取高级特征，使用random walk with restarts(可以回到原点的随机游走) 与 positive pointwise mutual information将network转化为vector，输入到自编码器中学习其低维表示最后使用svm来进行分类。（对比算法mashup与genemania）随机游走长度为3（与二的L3有关系？）。

PPIM（正点互信息度，衡量变量之间的相关性）

二、Network-based prediction of protein interactions

1、目的：蛋白质相互作用

2、方法：利用三阶（邻居的邻居跟他有关系）信息，没有提到深度学习。F1score效果比对比的算法好。

L3度量的分数

3、对比方法：TCP（通过jaccard相似度计算两个节点的相同邻居的占比得到最后的相似度俩判断两个蛋白质是否相关）PA（不基于TCP的优先连接原则通过在两个节点之间放置一个链接来模拟粘性蛋白之间的非特异性结合，该链接的得分由节点的度积给出。）,CRA(包含2，3阶的信息)