CN117976139A - 一种基于纠偏机制和对比学习的药物重定位方法及*** - Google Patents
一种基于纠偏机制和对比学习的药物重定位方法及*** Download PDFInfo
- Publication number
- CN117976139A CN117976139A CN202410371658.7A CN202410371658A CN117976139A CN 117976139 A CN117976139 A CN 117976139A CN 202410371658 A CN202410371658 A CN 202410371658A CN 117976139 A CN117976139 A CN 117976139A
- Authority
- CN
- China
- Prior art keywords
- drug
- disease
- node
- information
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007246 mechanism Effects 0.000 title claims abstract description 46
- 238000009511 drug repositioning Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 35
- 201000010099 disease Diseases 0.000 claims abstract description 128
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 128
- 239000003814 drug Substances 0.000 claims abstract description 121
- 229940079593 drug Drugs 0.000 claims abstract description 89
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 24
- 230000004931 aggregating effect Effects 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000003993 interaction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940000406 drug candidate Drugs 0.000 description 1
- 230000008406 drug-drug interaction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002547 new drug Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940126585 therapeutic drug Drugs 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于纠偏机制和对比学习的药物重定位方法及***，属于药物重定位技术，包括：基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对疾病信息和药物信息进行聚合，分别获取药物节点和疾病节点的异构特征及邻居特征；根据药物节点和疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图，通过对异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；根据优化后的药物节点和疾病节点的嵌入向量，进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物；本发明通过引入对比学习来捕获监督信号，以缓解数据稀疏问题。
Description
技术领域
本发明涉及药物重定位技术领域，具体而言，涉及一种基于纠偏机制和对比学习的药物重定位方法及***。
背景技术
药物重定位是指为罕见病或无治疗药物的疾病发现候选药物，深度学习技术已经成为药物重定位的主流技术之一。一般来讲，基于深度学习的药物重定位模型旨在有效整合多种网络结构信息，从而为每个疾病和药物学习到高质量的表征，最终达到预测的目的。
药物和疾病通常组成三种网络，即，药物-药物网络、疾病-疾病网络和药物疾病关联网络，这两种同构网络和一种异构网络包含着丰富的结构信息。然而，其中有的信息是重要的，有些信息并不重要，甚至可以被视为噪声信息，因此，急需设计一种新型药物重定位技术，通过对丰富的信息进行区分，从而学习到可靠的表征。
发明内容
为了解决上述问题，本发明提供了一种基于纠偏机制和对比学习的药物重定位方法，包括以下三个阶段：
数据处理阶段：基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对所述疾病信息和所述药物信息进行聚合，分别获取药物节点的异构特征及邻居特征、疾病节点的异构特征及邻居特征；
数据优化阶段：根据药物节点和疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；
预测阶段：根据优化后的所述药物节点和所述疾病节点的异构特征及邻居特征进行加权融合，得到所述药物节点和所述疾病节点的最终嵌入向量，并进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物。
优选地，在数据处理阶段，根据药物与疾病之间的关系、不同药物之间的关系以及不同疾病之间的关系，作为疾病信息和药物信息的先验知识。
优选地，在数据处理阶段进行信息聚合的过程中，通过LightGCN结合纠偏机制，根据药物节点与疾病节点的关系，聚合节点的异构信息；
根据药物节点或疾病节点的前K个邻居节点，分别聚合不同节点的同构信息。
优选地，在数据处理阶段获取嵌入向量的过程中，根据聚合后的异构信息和同构信息，生成不同节点的嵌入向量，其中，每个嵌入向量之间根据药物节点与疾病节点的关系、不同药物之间的关系以及不同疾病之间的关系进行关联。
优选地，在数据处理阶段，通过纠偏机制，为不同的聚合节点自适应的分配不同的逆偏差分数后进行信息聚合，从而缓解流行节点和长尾节点带来的偏差影响。
优选地，在数据优化阶段，基于不同节点对应的异构特征及邻居特征，构建双视图进行对比学习，并结合加权二元交叉熵损失，作为优化目标。
本发明提供了一种基于纠偏机制和对比学习的药物重定位***，包括：
数据采集模块，用于获取数据集中的药物信息和疾病信息；
数据预处理模块，用于基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对所述疾病信息和所述药物信息进行聚合，分别获取药物节点的异构特征及邻居特征、疾病节点的异构特征及邻居特征；
数据优化模块，用于根据药物节点和疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；
预测模块，用于根据优化后的药物节点和疾病节点的异构特征及邻居特征进行加权融合，得到所述药物节点和所述疾病节点的最终嵌入向量，并进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物。
优选地，数据预处理模块，用于根据药物与疾病之间的关系、不同药物之间的关系以及不同疾病之间的关系，作为疾病信息和药物信息的先验知识；通过LightGCN结合纠偏机制，根据药物节点与疾病节点的关系，聚合节点的异构信息；根据药物节点或疾病节点的前K个邻居节点，分别聚合不同节点的同构信息。
优选地，数据预处理模块，还用于根据聚合后的异构信息和同构信息，生成不同节点的嵌入向量，其中，每个嵌入向量之间根据药物节点与疾病节点的关系、不同药物之间的关系以及不同疾病之间的关系进行关联。
优选地，数据优化模块，还用于基于不同节点对应的异构特征及邻居特征，构建双视图进行对比学习，并结合加权二元交叉熵损失，作为优化目标。
本发明公开了以下技术效果：
本发明首次提出并引入纠偏机制来缓解药物重定位中流行节点和长尾节点造成的偏差，从而获取更具有表达性的节点特征；
本发明在模型优化阶段引入了对比学习来捕获监督信号，以缓解数据稀疏问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明所述的方法流程示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本发明提供了一种基于纠偏机制和对比学习的药物重定位方法，包括以下三个阶段：
数据处理阶段：基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对所述疾病信息和所述药物信息进行聚合，分别获取药物节点的异构特征及邻居特征、疾病节点的异构特征及邻居特征；
数据优化阶段：根据药物节点和疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；
预测阶段：根据优化后的所述药物节点和所述疾病节点的异构特征及邻居特征进行加权融合，得到所述药物节点和所述疾病节点的最终嵌入向量，并进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位方法，在数据处理阶段，根据药物与疾病之间的关系、不同药物之间的关系以及不同疾病之间的关系，作为疾病信息和药物信息的先验知识。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位方法，在数据处理阶段进行信息聚合的过程中，通过LightGCN结合纠偏机制，根据药物节点与疾病节点的关系，聚合节点的异构信息；
根据药物节点或疾病节点的前K个邻居节点，分别聚合不同节点的同构信息。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位方法，在数据处理阶段获取嵌入向量的过程中，根据聚合后的异构信息和同构信息，生成不同节点的嵌入向量，其中，每个嵌入向量之间根据药物节点与疾病节点的关系、不同药物之间的关系以及不同疾病之间的关系进行关联。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位方法，在数据处理阶段，通过纠偏机制，为不同的聚合节点自适应的分配不同的逆偏差分数后进行信息聚合，从而缓解流行节点和长尾节点带来的偏差影响。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位方法，在数据优化阶段，基于不同节点对应的异构特征及邻居特征，构建双视图进行对比学习，并结合加权二元交叉熵损失，作为优化目标。
本发明提供了一种基于纠偏机制和对比学习的药物重定位***，包括：
数据采集模块，用于获取数据集中的药物信息和疾病信息；
数据预处理模块，用于基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对所述疾病信息和所述药物信息进行聚合，分别获取药物节点的异构特征及邻居特征、疾病节点的异构特征及邻居特征；
数据优化模块，用于根据药物节点和疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；
预测模块，用于根据优化后的药物节点和疾病节点的异构特征及邻居特征进行加权融合，得到所述药物节点和所述疾病节点的最终嵌入向量，并进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位***的数据预处理模块，用于根据药物与疾病之间的关系、不同药物之间的关系以及不同疾病之间的关系，作为疾病信息和药物信息的先验知识；通过LightGCN结合纠偏机制，根据药物节点与疾病节点的关系，聚合节点的异构信息；根据药物节点或疾病节点的前K个邻居节点，分别聚合不同节点的同构信息。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位***的数据预处理模块，还用于根据聚合后的异构信息和同构信息，生成不同节点的嵌入向量，其中，每个嵌入向量之间根据药物节点与疾病节点的关系、不同药物之间的关系以及不同疾病之间的关系进行关联。
进一步优选地，本发明提供的基于纠偏机制和对比学习的药物重定位***的数据优化模块，还用于基于不同节点对应的异构特征及邻居特征，构建双视图进行对比学习，并结合加权二元交叉熵损失，作为优化目标。
实施例1：针对药物重定位存在的流行节点和长尾节点带来的偏差问题，如果把每个药物和疾病均视为节点，则目标就可以转变为自适应的为不同的节点分配不同的逆偏差分数，之后根据逆偏差分数的大小进行信息聚合，进而缓解偏差，得到更具表达性的特征。
如图1所示，本发明提出了一种基于纠偏机制和对比学习的新型药物重定位方法。具体来讲，首先构建药物-药物相似性网络、疾病-疾病相似性网络和已知的药物-疾病关联网络来聚合异构信息和邻居信息，得到更加完整的节点信息。同时，在信息聚合的过程中本发明引入了纠偏机制，为不同的节点自适应的分配不同的逆偏差分数，从而保证了缓解偏差，并捕获全局信号。此外，在模型优化阶段，本发明引入了对比学习来捕获监督信号，缓解数据稀疏问题。具体包括如下过程：
（1）疾病建模。对于每个疾病，疾病建模通过聚合两种交互来学习相应的潜在向量表示，即药物-疾病交互和疾病-疾病交互。具体来讲，通过与该疾病节点有关联的药物节点来聚合异构信息；基于该疾病节点的前K个邻居节点（疾病节点）来聚合邻居信息。
（2）药物建模。对于每个药物，药物建模通过聚合两种交互来学习相应的潜在向量表示，即药物-疾病交互和药物-药物交互。具体来讲，通过与该药物节点有关联的疾病节点来聚合异构信息；基于该药物节点的前K个邻居节点（药物节点）来聚合邻居信息。
（3）在聚合信息时，使用到了纠偏机制来为不同的节点自适应的分配不同的逆偏差分数。
（4）引入对比学习，结合加权二元交叉熵损失共同构成模型优化目标。
（5）通过对异构信息和邻居信息进行加权融合得到每个节点的最终特征，并使用点积得到最终的预测分数。
在模型训练过程中，为了优化这个损失函数，本发明使用Adam优化器和循环学习率。
表1
| Dataset | SCMFDD | SCPMF | DRGBCN | GLGMPNN | DRHGCN | DRDM | |
| AUROC | Fdataset | 0.776±0.001 | 0.893±0.001 | 0.930±0.001 | 0.942±0.001 | 0.945±0.002 | 0.951±0.002 |
| Cdataset | 0.793±0.001 | 0.913±0.002 | 0.945±0.002 | 0.955±0.001 | 0.962±0.001 | 0.965±0.001 | |
| LRSSL | 0.768±0.001 | 0.895±0.001 | 0.944±0.001 | 0.949±0.001 | 0.953±0.001 | 0.955±0.001 | |
| Average | 0.768 | 0.901 | 0.939 | 0.948 | 0.953 | 0.957 | |
| AUPR | Fdataset | 0.005±0.000 | 0.349±0.006 | 0.408±0.001 | 0.517±0.005 | 0.567±0.006 | 0.582±0.005 |
| Cdataset | 0.005±0.000 | 0.423±0.004 | 0.442±0.003 | 0.601±0.006 | 0.642±0.005 | 0.651±0.004 | |
| LRSSL | 0.004±0.000 | 0.271±0.002 | 0.255±0.002 | 0.406±0.004 | 0.408±0.005 | 0.412±0.002 | |
| Average | 0.004 | 0.348 | 0.368 | 0.508 | 0.539 | 0.548 |
为了展示本发明模型的优越性，本发明在Fdataset、Cdataset和LRSSL这3个数据集上与5种先进的模型进行了对比。ROC曲线下面积（AUROC）和精确召回曲线下面积（AUPR）已被广泛应用于生物信息学的研究，因此被用来评估模型的整体性能。表1展示了本发明的模型在10次10折交叉验证方面的性能与其它模型的对比情况，本发明的模型在3个数据集上的2项指标持续优于所有对比模型，平均AUROC和AUPR分别为0.957和0.548，分别比第二好的模型DRHGCN高0.4%和0.9%。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于纠偏机制和对比学习的药物重定位方法，其特征在于，包括以下三个阶段：
数据处理阶段：基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对所述疾病信息和所述药物信息进行聚合，分别获取药物节点的异构特征及邻居特征、疾病节点的异构特征及邻居特征；
数据优化阶段：根据所述药物节点和所述疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；
预测阶段：根据优化后的所述药物节点和所述疾病节点的异构特征及邻居特征进行加权融合，得到所述药物节点和所述疾病节点的最终嵌入向量，并进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物。
2.根据权利要求1所述一种基于纠偏机制和对比学习的药物重定位方法，其特征在于：
在数据处理阶段，根据药物与疾病之间的关系、不同药物之间的关系以及不同疾病之间的关系，作为所述疾病信息和所述药物信息的先验知识。
3.根据权利要求2所述一种基于纠偏机制和对比学习的药物重定位方法，其特征在于：
在数据处理阶段进行信息聚合的过程中，通过LightGCN结合纠偏机制，根据药物节点与疾病节点的关系，聚合节点的异构信息；
根据药物节点和疾病节点的前K个邻居节点，分别聚合不同节点的同构信息。
4.根据权利要求3所述一种基于纠偏机制和对比学习的药物重定位方法，其特征在于：
在数据处理阶段获取嵌入向量的过程中，根据聚合后的异构信息和同构信息，生成不同节点的嵌入向量，其中，每个嵌入向量之间根据药物节点与疾病节点的关系、不同药物之间的关系以及不同疾病之间的关系进行关联。
5.根据权利要求4所述一种基于纠偏机制和对比学习的药物重定位方法，其特征在于：
在数据处理阶段，通过所述纠偏机制，为不同的聚合节点自适应的分配不同的逆偏差分数后进行信息聚合，从而缓解流行节点和长尾节点带来的偏差影响。
6.根据权利要求5所述一种基于纠偏机制和对比学习的药物重定位方法，其特征在于：
在数据优化阶段，基于不同节点对应的异构特征及邻居特征，构建双视图进行对比学习，并结合加权二元交叉熵损失，作为优化目标。
7.一种基于纠偏机制和对比学习的药物重定位***，其特征在于，包括：
数据采集模块，用于获取数据集中的药物信息和疾病信息；
数据预处理模块，用于基于疾病信息和药物信息的先验知识，通过LightGCN结合纠偏机制分别对所述疾病信息和所述药物信息进行聚合，分别获取药物节点的异构特征及邻居特征、疾病节点的异构特征及邻居特征；
数据优化模块，用于根据所述药物节点和所述疾病节点的异构特征及邻居特征，分别生成表征药物节点和疾病节点的异构特征视图和邻居特征视图进行对比学习，并结合加权二元交叉熵损失，进行数据优化；
预测模块，用于根据优化后的药物节点和疾病节点的异构特征及邻居特征进行加权融合，得到所述药物节点和所述疾病节点的最终嵌入向量，并进行点积操作，获取药物与疾病之间的关联预测，从而分析疾病对应的潜在药物。
8.根据权利要求7所述一种基于纠偏机制和对比学习的药物重定位***，其特征在于：
所述数据预处理模块，用于根据药物与疾病之间的关系、不同药物之间的关系以及不同疾病之间的关系，作为所述疾病信息和所述药物信息的先验知识；通过LightGCN结合纠偏机制，根据药物节点与疾病节点的关系，聚合节点的异构信息；根据药物节点或疾病节点的前K个邻居节点，分别聚合不同节点的同构信息。
9.根据权利要求8所述一种基于纠偏机制和对比学习的药物重定位***，其特征在于：
所述数据预处理模块，还用于根据聚合后的异构信息和同构信息，生成不同节点的嵌入向量，其中，每个嵌入向量之间根据药物节点与疾病节点的关系、不同药物之间的关系以及不同疾病之间的关系进行关联。
10.根据权利要求9所述一种基于纠偏机制和对比学习的药物重定位***，其特征在于：
所述数据优化模块，还用于基于不同节点对应的异构特征及邻居特征，构建双视图进行对比学习，并结合加权二元交叉熵损失，作为优化目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410371658.7A CN117976139A (zh) | 2024-03-29 | 2024-03-29 | 一种基于纠偏机制和对比学习的药物重定位方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410371658.7A CN117976139A (zh) | 2024-03-29 | 2024-03-29 | 一种基于纠偏机制和对比学习的药物重定位方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117976139A true CN117976139A (zh) | 2024-05-03 |
Family
ID=90859998
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410371658.7A Pending CN117976139A (zh) | 2024-03-29 | 2024-03-29 | 一种基于纠偏机制和对比学习的药物重定位方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117976139A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| WO2023077854A1 (zh) * | 2021-11-03 | 2023-05-11 | 山西医科大学 | 一种基于异构关联网络深度学习的药物重定位***及方法 |
| WO2023207790A1 (zh) * | 2022-04-28 | 2023-11-02 | 华为技术有限公司 | 一种分类模型的训练方法及装置 |
| CN117038105A (zh) * | 2023-10-08 | 2023-11-10 | 武汉纺织大学 | 一种基于信息增强图神经网络的药物重定位方法及*** |
-
2024
- 2024-03-29 CN CN202410371658.7A patent/CN117976139A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021179838A1 (zh) * | 2020-03-10 | 2021-09-16 | 支付宝(杭州)信息技术有限公司 | 一种基于异构图神经网络模型进行预测的方法和*** |
| WO2023077854A1 (zh) * | 2021-11-03 | 2023-05-11 | 山西医科大学 | 一种基于异构关联网络深度学习的药物重定位***及方法 |
| WO2023207790A1 (zh) * | 2022-04-28 | 2023-11-02 | 华为技术有限公司 | 一种分类模型的训练方法及装置 |
| CN117038105A (zh) * | 2023-10-08 | 2023-11-10 | 武汉纺织大学 | 一种基于信息增强图神经网络的药物重定位方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Deep feature learning for medical image analysis with convolutional autoencoder neural network | |
| Ren et al. | Weakly supervised machine learning | |
| CN112308157B (zh) | 一种面向决策树的横向联邦学习方法 | |
| CN112784929B (zh) | 一种基于双元组扩充的小样本图像分类方法及装置 | |
| US11574253B2 (en) | Distributed training for deep learning models | |
| US20230093746A1 (en) | Video loop recognition | |
| CN117038105B (zh) | 一种基于信息增强图神经网络的药物重定位方法及*** | |
| US11074274B2 (en) | Large scale social graph segmentation | |
| CN116386899A (zh) | 基于图学习的药物疾病关联关系预测方法及相关设备 | |
| US20110072016A1 (en) | Density-based data clustering method | |
| Zhang et al. | M3GAT: A multi-modal, multi-task interactive graph attention network for conversational sentiment analysis and emotion recognition | |
| CN115600691A (zh) | 联邦学习中的客户端选择方法、***、装置和存储介质 | |
| WO2023020214A1 (zh) | 检索模型的训练和检索方法、装置、设备及介质 | |
| CN116629376A (zh) | 一种基于无数据蒸馏的联邦学习聚合方法和*** | |
| CN107229945A (zh) | 一种基于竞争学习的深度聚类方法 | |
| Xu et al. | Retinal vessel segmentation via a semantics and multi-scale aggregation network | |
| CN114880559A (zh) | 一种融合用户-项目的邻居实体表示推荐方法 | |
| Ma et al. | Multi-scale dynamic graph learning for brain disorder detection with functional MRI | |
| CN108268611B (zh) | 一种基于MapReduce的k-means文本聚类的方法及装置 | |
| Yu et al. | An edge-cloud-aided private high-order fuzzy C-means clustering algorithm in smart healthcare | |
| CN106844338B (zh) | 基于属性间依赖关系的网络表格的实体列的检测方法 | |
| CN117976139A (zh) | 一种基于纠偏机制和对比学习的药物重定位方法及*** | |
| CN109948055A (zh) | 一种基于群体偏好的推荐方法 | |
| CN113706460B (zh) | 一种基于类脑神经网络模型的自闭症检测装置 | |
| Borazjani et al. | Multi-Modal Federated Learning for Cancer Staging over Non-IID Datasets with Unbalanced Modalities |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |