动态类别敏感的超图推断和同异性邻居特征学习用于与药物相关的微生物预测

科学领域:

• 计算生物学和生物信息学
• 药物的发现和开发.
• 微生物组研究的研究.

背景情况:

• 人类微生物影响药物的功能,活性和毒性.
• 现有的图形学习方法难以建模复杂,异构的药物-微生物关系.
• 以前的方法未能有效地将长距离的空间相关性纳入药物-微生物属性中.

研究的目的:

• 开发一种新的预测方法,DHDMP,用于药物和微生物的关联.
• 为了有效地编码多种药物和微生物之间的复杂关系.
• 整合双向长距离相关性和各种节点属性.

主要方法:

• 构建了一个动态拓超图,表示多种药物和多种微生物的关系.
• 采用节点类别敏感的超图卷积网络,用于多种属性编码.
• 集成的同质和异质图形特征使用交叉图形特征传播 GCN.
• 利用空间交叉注意力来捕捉药物-微生物对属性的长距离相关性.

主要成果:

• 在药物-微生物关联预测方面,DHDMP的表现优于最先进的方法.
• 废除研究证实了拟议的组件的有效性:节点类别敏感的超图卷积,交叉图特征传播GCN和空间交叉注意力.
• 案例研究表明,DHDMP有潜力识别可靠的药物候选微生物.

结论:

• DHDMP有效地模拟复杂的药物微生物相互作用和长距离属性相关性.
• 该方法在预测药物-微生物关联方面取得了重大进展.
• DHDMP在帮助药物发现和个性化医疗应用方面表现有前途.