生物信息学中的图形学习:图形神经网络架构的调查,生物图形构建和生物信息学应用

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 机器学习 机器学习

背景情况:

• 生物系统数据,包括蛋白质相互作用网络和多omics数据,具有固有的非欧几里德结构.
• 图形神经网络 (GNN) 擅长建模这些关系生物学数据集,捕捉传统方法错过的复杂依赖关系.
• 在生物信息学中,GNN的有效性取决于图形构造,参数化和训练策略.

研究的目的:

• 为理解和应用生物信息学中的GNN提供一个结构化的框架.
• 巩固关于图形构造,GNN架构及其在生物医学研究中的应用知识.
• 检查关键的培训考虑和现场新出现的挑战.

主要方法:

• 对生物信息学中GNN方法的全面审查.
• 基于图形构造和表示,架构表述 (光谱/空间) 和特定模型 (GCN,GAT,GraphSAGE,GIN) 的 GNN 的分类.
• 探索疾病基因关联,药物发现,蛋白质分析,多omics集成和生物医学知识图的应用,以及培训考虑.

主要成果:

• 由于其对关系数据建模的能力,GNN对于各种生物信息学任务非常有效.
• 该综述综合了方法论基础和特定领域的应用,澄清了图形质量,架构和培训动态之间的相互作用.
• 讨论了关键的GNN架构及其适用于不同生物数据类型的适用性.

结论:

• 在生物信息学中有效地应用GNN需要仔细考虑图形构造,模型架构和培训策略.
• 新出现的挑战包括模拟时间过程,增强可解释性和多式联络数据融合.
• 本综述提供了利用GNN在计算生物学中的路线图,并强调了未来的研究方向.