Ma T, Xiao C, Zhou J, et al. Drug similarity integration through attentive multi-view graph auto-encoders[J]. arXiv preprint arXiv:1804.10850, 2018.
摘要相關(guān)
藥物相似相的研究對于支持下游的臨床任務(wù)抖剿，如從已知的特性推斷新藥物的副作用缚柳、適應(yīng)癥和相互作用有著很大的推進(jìn)。隨著新型藥物特征的日益普及雁乡，為學(xué)習(xí)更全面和準(zhǔn)確的相似性帶來了新的機(jī)會婚度。本文提出從多種類型的藥物特征中學(xué)習(xí)較為準(zhǔn)確和可解釋的相似性度量方法。具體來說，本文使用多視圖圖自動編碼器對集成進(jìn)行建模鼓蜒，并添加了注意機(jī)制來確定每個視圖對應(yīng)于相應(yīng)任務(wù)和特征的權(quán)重，以獲得更好的可解釋性。
- 將藥物的每個特征看做一個視圖
- 使用多視圖GAE來整合學(xué)習(xí)藥物的相似性
- 對于單個視圖使用GCN編碼節(jié)點特征和邊
- 視圖之間則使用基于注意力的選擇方案進(jìn)行非線性融合
模型淺析
本文以藥物的每個特征表示作為一個視圖都弹。給定視圖娇豫，以每個藥物為節(jié)點，以兩節(jié)點之間的相似性作為邊畅厢》肓。可以得到每個視圖的節(jié)點特征嵌入表示
，以及樣本對之間的相似性
或详。給定
個不同的視圖系羞，多視圖相似性整合任務(wù)是在全視圖中得到統(tǒng)一的節(jié)點嵌入
和相似性矩陣
。
-
Similarity Integration with Attentive Multi-view Graph Autoencoders
基礎(chǔ)的多視圖GraphCNN結(jié)構(gòu)
給定視圖霸琴，視圖的鄰接矩陣和對角陣定義如下：
并使用兩層的GraphCNN來學(xué)習(xí)節(jié)點嵌入表示：對應(yīng)的權(quán)重矩陣椒振。對于得到的，以拼接的方式得到新的節(jié)點表示
梧乘。兩個節(jié)點之間的連接預(yù)測由sigmoid函數(shù)得到澎迎。
相似矩陣的融合
該融合的目的是得到一個多視圖統(tǒng)一的圖矩陣。
步驟為：
（1）對每個相似性矩陣進(jìn)行標(biāo)準(zhǔn)化
（2）鄰接矩陣整合,
是融合的權(quán)重选调。
（3）使用一層GraphCNN去編碼圖中的節(jié)點（4）并將嵌入表示進(jìn)行解碼以重構(gòu)原始的輸入空間
在沒有數(shù)據(jù)標(biāo)簽的情況下夹供，可以使用auto-encoder的重構(gòu)損失進(jìn)行約束在這種情況下，本文的框架可以看作是一種無監(jiān)督的多圖融合和嵌入方法仁堪。所導(dǎo)出的相似度矩陣也可以用于其他任務(wù)哮洽，如節(jié)點聚類。
基于注意力的視圖選擇
假設(shè)當(dāng)前視圖的鄰接矩陣為鸟辅。整合后的鄰接矩陣表示為
，
是元素的對應(yīng)相乘莺葫。對于每個視圖匪凉，首先每個原始的鄰接矩陣被映射為一個非正則的矩陣
，然后對其進(jìn)行正則化得到
捺檬。為了降低計算的復(fù)雜度再层，本文將
的鄰接矩陣替換為一個對角的注意力矩陣。具體來說堡纬，將
形成加權(quán)相似度矩陣。
進(jìn)一步的隐轩，將注意力權(quán)重進(jìn)行歸一化
被用于得到最后的相似性矩陣
diag( -
A Semi-supervised Extension Given Partial Labeled Data
由得到的其中
為了進(jìn)一步在重構(gòu)的過程中也考慮圖的拉普拉斯正則职车，將前面替換為帶有權(quán)重的圖結(jié)構(gòu)正則瘫俊。表示為
鹊杖，該目標(biāo)函數(shù)用GAE的重建損失取代了第二項，也顯式地建模了圖的結(jié)構(gòu)信息扛芽。
總的來說沒有新的操作骂蓖，可能也是因為這是18年的論文。但是想法很巧妙川尖，對A矩陣的操作可以更好的挖掘節(jié)點之間的連接關(guān)系登下。
