通过图形表示学习推进生物医学:最近的进展,挑战和未来的方向
Fang Li1, Yi Nian1, Zenan Sun1
1McWilliams School of Biomedical Informatics, the University of Texas Health Science Center at Houston, Houston, TX, USA.
Yearbook of medical informatics
|December 26, 2023
概括
图形表示学习 (GRL) 通过整合各种数据来推进生物医学研究. 未来的工作应该解决模型偏差和数据质量,以提高药物和疾病的发现.
科学领域:
- 生物医学信息学 生物医学信息学
- 机器学习 机器学习
- 图形表示学习学习学习图形表示学习
背景情况:
- 图形表示学习 (GRL) 是一个快速发展的领域,对生物医学研究产生了重大影响.
- GRL方法可以在分析复杂的生物数据方面取得突破.
研究的目的:
- 审查最近的GRL方法及其在生物医学中的应用.
- 确定生物医学GRL的关键挑战和未来研究方向.
主要方法:
- 在主要的科学数据库 (PubMed, Web of Science, IEEE Xplore, Google Scholar) 中进行全面的文献搜索.
- 从2021-2022年对78篇相关出版物的分析.
- GRL方法的分类,并专注于药物和疾病的应用.
主要成果:
- 确定了GRL方法的三个主要类别,并总结了基础和模型.
- 分析了GRL在药物发现和疾病研究中的应用,强调了突出的框架和成就.
- 讨论了当前的最先进技术,挑战和未来的研究轨迹.
结论:
- 生物医学GRL利用注意力机制,强调可解释性,并结合了性能技术.
- 关键的挑战包括减轻偏见,处理异构的知识图,改善数据可用性.
- 未来的研究应该优先解决这些挑战,以最大限度地发挥GRL在生物医学中的潜力.


