weixin_40248634的博客

Graph Convolutional Neural Networks for Predicting Drug-Target Interactions1. 摘要2. 数据集DUDE数据集改进DUDE-chemBl负样本数据集最大无偏数据集（MUV）3. 图构建pocket graphmolecuar graph4. 口袋pretraining 使用autoencoder4.1 阶段1 自编码编码器解码器4.2 阶段二自编码4.3 模型设计实验结果1. baseline2. 数据可视化3.测试模型是否有学习到

图学习：一般可以看作是监督的或非监督的。在监督设置下，对典型任务进行分类;即。，全图[55]标签的赋值，顶点或边分类;或link prediction中，集预测图中边的存在性。摘要超图是图的一种概括，它提供了一种框架来减少信息损失，并统一不同的基于图的方法。在本文中，我们提出了一种基于超图的建模物理系统的方法，并将超图上的顶点分类、边缘分类和链接预测问题表示为半监督设置中(扩展的、对偶的)超图上的顶点分类的实例。本文介绍了一种新的顶点和边标记超图的核方法，用于分析和学习。该方法基于小的简单超图的精确和不

Hypergraphs and Cellular Networks背景背景生物信息用超图来表示会比普通的图更加符合生物间的信息传播图1A(中间)显示了一种绘制未重定向超图的方法。超图通常投射到图中，丢失了一些信息，但使其绘制更加容易，而且其分析也符合图论中大量的方法和算法。总而言之，超图通过允许节点之间的多边关系来概括图，这通常会导致对生物过程的更精确描述。超图为生物网络的重建提供了一种重要的方法，而生物网络的潜力尚未得到充分的开发。因此，我们预期hypergraph理论在计算生物学中的应用将在不

AtomNet: A Deep Convolutional Neural Network for Bioactivity Prediction in Structure-based Drug Discovery摘要数据集模型输入表示网络结构模型训练baseline 方法比较结果论文链接：摘要深度卷积虽被应用于基于QSAR和配体的生物活性预测的药物发现，但是目前没有模型得益于卷积网强大的结构学...