动机：多型药物 - 药物相互作用（DDI）的计算预测有助于减少多药物治疗中的意外副作用。虽然现有的计算方法实现了鼓舞人心的结果，但它们忽略了药物的作用主要是由其化学结构引起的。此外，他们的可解释性仍然很弱。结果：在本文中，假设两个给定药物之间的相互作用是由其本地化学结构（子结构）引起的，并且它们的DDI类型由不同的子结构组之间的连接确定，我们设计了一个新的子结构 - 浪费张力神经网络DDI预测网络模型（STNN-DDI）。所提出的模型学习了（子结构，替换类型，子结构）三元组的3-D张量，其表征了子结构 - 子结构相互作用（SSI）空间。根据具有特定化学意义的预定义子结构的列表，药物中的药物映射到该SSI空间使得STNN-DDI能够以可解析的方式以统一的形式在转换和电感方案中执行多型DDI预测。基于深度学习的最先进的基线的比较是STNN-DDI的优越性，具有AUC，AUPR，精度和精度的显着提高。更重要的是，案例研究通过揭示其对特定DDI中的DDI类型的兴趣和揭示交互类型特定的子结构对的药物的关注子结构对的解释性。总之，STNN-DDI提供了预测DDIS的有效方法，以及解释药物之间的相互作用机制。

刺激：鉴定药物靶标相互作用（DTIS）是药物重新定位的关键步骤。近年来，大量基因组学和药理学数据的积累已经形成了大众药物和目标相关的异构网络（HNS），这提供了开发基于HN的计算模型的新机遇，以准确地预测DTI。 HN意味着许多有关DTI的有用信息，还包含无关的数据，以及如何使最佳的异构网络仍然是一个挑战。结果：在本文中，我们提出了一种基于异构的图形自动元路径学习的DTI预测方法（Hampdti）。 Hampdti从HN自动学习药物和目标之间的重要元路径，并产生元路径图。对于每个元路径图，从药物分子图和靶蛋白序列中学习的特征用作节点属性，然后设计了有效地考虑节点类型信息（药物或目标）的节点类型特定图卷积网络（NSGCN）学习药物和目标的嵌入。最后，组合来自多个元路径图的嵌入式以预测新的DTI。基准数据集的实验表明，与最先进的DTI预测方法相比，我们提出的Hampdti实现了卓越的性能。更重要的是，Hampdti识别DTI预测的重要元路径，这可以解释药物如何与HNS中的目标连接。

药物 - 药物相互作用（DDIS）可能会阻碍药物的功能，在最坏的情况下，它们可能导致不良药物反应（ADR）。预测所有DDI是一个具有挑战性且关键的问题。大多数现有的计算模型都集成了来自不同来源的药物中心信息，并利用它们作为机器学习分类器中的功能来预测DDIS。但是，这些模型有很大的失败机会，尤其是对于所有信息都没有可用的新药。本文提出了一个新型的HyperGraph神经网络（HYGNN）模型，仅基于用于DDI预测问题的任何药物的微笑串。为了捕获药物的相似性，我们创建了从微笑字符串中提取的药物的化学子结构中创建的超图。然后，我们开发了由新型的基于注意力的超图边缘编码器组成的HYGNN，以使药物的表示形式和解码器，以预测药物对之间的相互作用。此外，我们进行了广泛的实验，以评估我们的模型并将其与几种最新方法进行比较。实验结果表明，我们提出的HYGNN模型有效地预测了DDI，并以最大的ROC-AUC和PR-AUC分别超过基准，分别为97.9％和98.1％。

发现药物目标相互作用（DTI）是一个非常有前途的研究领域，具有巨大的潜力。通过计算方法对药物和蛋白质之间可靠的相互作用的准确鉴定，这些方法通常利用从不同数据源检索到的异质信息，可以提高有效药物的发展。尽管随机行走和基质分解技术被广泛用于DTI预测中，但它们有几个局限性。通常以无监督的方式进行基于步行的嵌入生成，而矩阵分解中的线性相似性组合会扭曲不同视图提供的单个见解。为了解决这些问题，我们采用多层网络方法来处理多样化的药物和靶向相似性，并提出了一个新颖的优化框架，称为多重相似性基于DEEPSWALK的矩阵分解（MDMF），以进行DTI预测。该框架统一了嵌入的产生和相互作用预测，药物的学习矢量表示以及目标不仅保留了所有超层和特定层特异性局部不变性的高阶接近性，而且还可以近似与其内部产品的相互作用。此外，我们开发了一种集成方法（MDMF2A），该方法集成了MDMF模型的两个实例化，优化了Precision-Recall曲线（AUPR）和接收器操作特征曲线（AUC）下的面积。关于现实世界DTI数据集的实证研究表明，我们的方法在四种不同的环境中对当前最新方法实现了统计学上的显着改善。此外，对高度排名的非相互作用对的验证也证明了MDMF2A发现新型DTI的潜力。

多药物（定义为使用多种药物）是一种标准治疗方法，尤其是对于严重和慢性疾病。但是，将多种药物一起使用可能会导致药物之间的相互作用。药物 - 药物相互作用（DDI）是一种与另一种药物结合时的影响发生变化时发生的活性。 DDI可能会阻塞，增加或减少药物的预期作用，或者在最坏情况下，会产生不利的副作用。虽然准时检测DDI至关重要，但由于持续时间短，并且在临床试验中识别它们是时间的，而且昂贵，并且要考虑许多可能的药物对进行测试。结果，需要计算方法来预测DDI。在本文中，我们提出了一种新型的异质图注意模型Han-DDI，以预测药物 - 药物相互作用。我们建立了具有不同生物实体的药物网络。然后，我们开发了一个异质的图形注意网络，以使用药物与其他实体的关系学习DDI。它由一个基于注意力的异质图节点编码器组成，用于获得药物节点表示和用于预测药物相互作用的解码器。此外，我们利用全面的实验来评估我们的模型并将其与最先进的模型进行比较。实验结果表明，我们提出的方法Han-DDI的表现可以显着，准确地预测DDI，即使对于新药也是如此。

该药物发现​​和开发过程是一个漫长而昂贵的过程，每次药物平均耗资超过10亿美元，需要10 - 15年的时间。为了减少在整个过程中的高水平流失量，在最近十年中，越来越多地将机器学习方法应用于药物发现和发育的各个阶段，尤其是在最早鉴定可药物疾病基因的阶段。在本文中，我们开发了一种新的张量分解模型，以预测用于治疗疾病的潜在药物靶标（基因或蛋白质）。我们创建了一个三维数据张量，该数据张量由1,048个基因靶标，860个疾病和230,0111111111111111111111111111111的证据属性和临床结果，并使用从开放式目标和药物数据库中提取的数据组成。我们用从药物发现的知识图中学到的基因目标表示丰富了数据，并应用了我们提出的方法来预测看不见的基因靶标和疾病对的临床结果。我们设计了三种评估策略来衡量预测性能，并将几个常用的机器学习分类器与贝叶斯矩阵和张量分解方法进行了基准测试。结果表明，合并知识图嵌入可显着提高预测准确性，并与密集的神经网络一起训练张量分解优于所有其他基线。总而言之，我们的框架结合了两种积极研究的机器学习方法，用于疾病目标识别，即张量分解和知识图表示学习，这可能是在数据驱动的药物发现中进一步探索的有希望的途径。

生物医学网络是与疾病网络的蛋白质相互作用的普遍描述符，从蛋白质相互作用，一直到医疗保健系统和科学知识。随着代表学习提供强大的预测和洞察的显着成功，我们目睹了表现形式学习技术的快速扩展，进入了这些网络的建模，分析和学习。在这篇综述中，我们提出了一个观察到生物学和医学中的网络长期原则 - 而在机器学习研究中经常出口 - 可以为代表学习提供概念基础，解释其当前的成功和限制，并告知未来进步。我们综合了一系列算法方法，即在其核心利用图形拓扑到将网络嵌入到紧凑的向量空间中，并捕获表示陈述学习证明有用的方式的广度。深远的影响包括鉴定复杂性状的变异性，单细胞的异心行为及其对健康的影响，协助患者的诊断和治疗以及制定安全有效的药物。

The development of deep neural networks has improved representation learning in various domains, including textual, graph structural, and relational triple representations. This development opened the door to new relation extraction beyond the traditional text-oriented relation extraction. However, research on the effectiveness of considering multiple heterogeneous domain information simultaneously is still under exploration, and if a model can take an advantage of integrating heterogeneous information, it is expected to exhibit a significant contribution to many problems in the world. This thesis works on Drug-Drug Interactions (DDIs) from the literature as a case study and realizes relation extraction utilizing heterogeneous domain information. First, a deep neural relation extraction model is prepared and its attention mechanism is analyzed. Next, a method to combine the drug molecular structure information and drug description information to the input sentence information is proposed, and the effectiveness of utilizing drug molecular structures and drug descriptions for the relation extraction task is shown. Then, in order to further exploit the heterogeneous information, drug-related items, such as protein entries, medical terms and pathways are collected from multiple existing databases and a new data set in the form of a knowledge graph (KG) is constructed. A link prediction task on the constructed data set is conducted to obtain embedding representations of drugs that contain the heterogeneous domain information. Finally, a method that integrates the input sentence information and the heterogeneous KG information is proposed. The proposed model is trained and evaluated on a widely used data set, and as a result, it is shown that utilizing heterogeneous domain information significantly improves the performance of relation extraction from the literature.

作为图表上链路预测的自然扩展，超链接预测的目的是推断超图中缺失的超链接，其中超链接可以连接两个以上的节点。超链接预测在从化学反应网络，社交通信网络到蛋白质 - 蛋白质相互作用网络的广泛系统中具有应用。在本文中，我们提供了有关超链接预测的系统和全面调查。我们提出了一种新的分类法，将现有的超链接预测方法分类为四类：基于相似性的基于概率，基于矩阵优化和基于深度学习的方法。为了比较来自不同类别的方法的性能，我们使用每个类别的代表性方法对各种超图应用进行了基准研究。值得注意的是，基于深度学习的方法比超链接预测中的其他方法占了上风。

预测药物目标相互作用是药物发现的关键。最近基于深度学习的方法显示出令人鼓舞的表现，但仍有两个挑战：（i）如何明确建模并学习药物与目标之间的局部互动，以更好地预测和解释； （ii）如何从不同分布的新型药物目标对上概括预测性能。在这项工作中，我们提出了Dugban，这是一个深层双线性注意网络（BAN）框架，并适应了域的适应性，以明确学习药物与目标之间的配对局部相互作用，并适应了分布数据外的数据。 Dugban在药物分子图和靶蛋白序列上进行预测的作品，有条件结构域对抗性学习，以使跨不同分布的学习相互作用表示，以更好地对新型药物目标对进行更好的概括。在内域和跨域设置下，在三个基准数据集上进行的实验表明，对于五个最先进的基准，Dugban取得了最佳的总体表现。此外，可视化学习的双线性注意图图提供了可解释的见解，从预测结果中提供了可解释的见解。

由于肿瘤的异质性，在个性化的基础上预测抗癌药物的临床结局在癌症治疗中具有挑战性。已经采取了传统的计算努力来建模药物反应对通过其分子概况描绘的单个样品的影响，但由于OMICS数据的高维度而发生过度拟合，因此阻碍了临床应用的模型。最近的研究表明，深度学习是通过学习药物和样品之间的学习对准模式来建立药物反应模型的一种有前途的方法。但是，现有研究采用了简单的特征融合策略，仅考虑了整个药物特征，同时忽略了在对齐药物和基因时可能起着至关重要的作用的亚基信息。特此在本文中，我们提出了TCR（基于变压器的癌症药物反应网络），以预测抗癌药物反应。通过利用注意机制，TCR能够在我们的研究中有效地学习药物原子/子结构和分子特征之间的相互作用。此外，设计了双重损耗函数和交叉抽样策略，以提高TCR的预测能力。我们表明，TCR在所有评估矩阵上（一些具有显着改进）的各种数据分裂策略下优于所有其他方法。广泛的实验表明，TCR在独立的体外实验和体内实际患者数据上显示出显着提高的概括能力。我们的研究强调了TCR的预测能力及其对癌症药物再利用和精度肿瘤治疗的潜在价值。

协同的药物组合为增强治疗功效和减少不良反应提供了巨大的潜力。然而，由于未知的因果疾病信号通路，有效和协同的药物组合预测仍然是一个悬而未决的问题。尽管已经提出了各种深度学习（AI）模型来定量预测药物组合的协同作用。现有深度学习方法的主要局限性是它们本质上是不可解释的，这使得AI模型的结论是对人类专家的非透明度的结论，因此限制了模型结论的鲁棒性和这些模型在现实世界中的实施能力人类医疗保健。在本文中，我们开发了一个可解释的图神经网络（GNN），该神经网络（GNN）揭示了通过挖掘非常重要的亚分子网络来揭示协同（MOS）的基本基本治疗靶标和机制。可解释的GNN预测模型的关键点是一个新颖的图池层，基于自我注意的节点和边缘池（此后为SANEPOOL），可以根据节点特征和图表计算节点和边缘的注意力评分（重要性）拓扑。因此，提出的GNN模型提供了一种系统的方法来预测和解释基于检测到的关键亚分子网络的药物组合协同作用。我们评估了来自NCI Almanac药物组合筛查数据的46个核心癌症信号通路和药物组合的基因制造的分子网络。实验结果表明，1）Sanepool可以在其他流行的图神经网络中实现当前的最新性能； 2）由SANEPOOOL检测到的亚分子网络是可自我解释的，并且可以鉴定协同的药物组合。

The discovery of drug-target interactions (DTIs) is a pivotal process in pharmaceutical development. Computational approaches are a promising and efficient alternative to tedious and costly wet-lab experiments for predicting novel DTIs from numerous candidates. Recently, with the availability of abundant heterogeneous biological information from diverse data sources, computational methods have been able to leverage multiple drug and target similarities to boost the performance of DTI prediction. Similarity integration is an effective and flexible strategy to extract crucial information across complementary similarity views, providing a compressed input for any similarity-based DTI prediction model. However, existing similarity integration methods filter and fuse similarities from a global perspective, neglecting the utility of similarity views for each drug and target. In this study, we propose a Fine-Grained Selective similarity integration approach, called FGS, which employs a local interaction consistency-based weight matrix to capture and exploit the importance of similarities at a finer granularity in both similarity selection and combination steps. We evaluate FGS on five DTI prediction datasets under various prediction settings. Experimental results show that our method not only outperforms similarity integration competitors with comparable computational costs, but also achieves better prediction performance than state-of-the-art DTI prediction approaches by collaborating with conventional base models. Furthermore, case studies on the analysis of similarity weights and on the verification of novel predictions confirm the practical ability of FGS.

探讨了使用深神经网络（DNN）模型作为线性和非线性结构动力系统的代理。目标是开发基于DNN的代理，以预测给定输入（谐波）激发的结构响应，即位移和加速度。特别是，重点是使用完全连接，稀疏连接和卷积网络层的有效网络架构的开发，以及相应的培训策略，可以在目标数据用品中的整体网络复杂性和预测准确性之间提供平衡。对于线性动力学，网络层中重量矩阵的稀疏模式用于构建具有稀疏层的卷积DNN。对于非线性动力学，显示网络层中的稀疏性丢失，并探讨了具有完全连接和卷积网络层的高效DNN架构。还介绍了转移学习策略以成功培训所提出的DNN，研究了影响网络架构的各种装载因素。结果表明，所提出的DNN可以用作在谐波载荷下预测线性和非线性动态响应的有效和准确的代理。

多关系网络在当今世界上起着重要作用，并用于捕获数据之间的复杂关系。它们的应用涵盖了许多领域，例如生物医学，财务，社会等，并且由于它们的可用性提高，因此寻找有效的方法来应对多个层的额外复杂性变得至关重要。在这项工作中，我们提出了一种新颖的方法，使用单个汇总的邻接矩阵来表示这些复杂的网络，并利用Primes作为关系的替代物。由于算术的基本定理，这允许使用单个邻接矩阵对整个多关系图进行无损，紧凑的表示。此外，该表示形式可以快速计算多跳的邻接矩阵，这对于各种下游任务很有用。我们提出了简单而复杂的任务，在这些任务中，此表示可以有用并展示其效率和性能。最后，我们还提供有关仍需要解决并激发未来工作的优势和公开挑战的见解。

一种感染细菌和古代的原核病毒是微生物社区的关键球员。预测原核病毒的宿主有助于破译微生物之间的动态关系。虽然存在用于宿主鉴定的实验方法，但它们是劳动密集型或需要培养宿主细胞，从而产生对计算宿主预测的需求。尽管结果有一些有希望的结果，但计算宿主预测仍然是挑战，因为通过高通量测序技术通过有限的已知的相互作用和纯粹的测序量。最先进的方法只能在物种级别达到43％的精度。这项工作呈现樱桃，该工具配制主机预测作为知识图中的链路预测。作为病毒原核相互作用预测工具，可以应用樱桃以预测新发现病毒的宿主以及感染抗生素抗菌细菌的病毒。我们展示了樱桃对既有应用的效用，并将其性能与不同情景中的最先进的方法进行了比较。为了我们最好的知识，樱桃在识别病毒 - 原核互动方面具有最高的准确性。它优于物种水平的所有现有方法，精度增加37％。此外，樱桃的性能比其他工具更短的Contig。

计算药物重新定位旨在发现销售药物的新治疗疾病，与传统药物开发相比，成本低，开发周期较低，可控性高的优点。由于其易于实现和优异的可扩展性，矩阵分解模型已成为计算药物重新定位的基石技术。然而，矩阵分解模型使用内在产品来表示药物和疾病之间的关联，这缺乏表达能力。此外，在其各自的潜在因子载体上不能暗示药物或疾病的相似性，这不满足常见的药物发现感。因此，在这项工作中提出了用于计算药物重新定位的神经度量分解模型（NMF）。我们新建了药物和疾病的潜在因子载体作为高维坐标系的点，提出了一种广义的欧氏距离，以代表药物和疾病之间的关联，以补偿内部产品的缺点。此外，通过将多种药物（疾病）指标信息嵌入到潜在因子向量的编码空间中，可以反映出药物（疾病）之间的相似性的信息反映在潜在因子向量之间的距离中。最后，我们对两个真实数据集进行了广泛的分析实验，以证明上述改进点和NMF模型的优越性的有效性。

预测药物 - 药物相互作用（DDI）是使用药物信息和许多对的已知副作用预测一对药物的副作用（不需要的结果）的问题。该问题可以制定为DDI图中每对节点的预测标签（即副作用），其中节点是药物，边缘是用已知标记的相互作用的药物。本问题的最先进方法是图形神经网络（GNN），其利用图中的邻居信息来学习节点表示。然而，对于DDI而言，由于副作用的性质，有许多具有复杂关系的标签。通常的GNN经常将标签固定为不反映标签关系的单热量矢量，并且可能在困难的难度标签中没有获得最高性能。在本文中，我们将DDI标准为一个超图，其中每个HINFEGE是三重：用于药物的两个节点和标签的一个节点。然后，我们呈现CentsMoothie，一个超图神经网络，它通过新颖的中央平滑制剂完全了解节点和标签的表示。我们经验展示了模拟中的CentsMoothie的性能优势以及真实数据集。

Anomaly analytics is a popular and vital task in various research contexts, which has been studied for several decades. At the same time, deep learning has shown its capacity in solving many graph-based tasks like, node classification, link prediction, and graph classification. Recently, many studies are extending graph learning models for solving anomaly analytics problems, resulting in beneficial advances in graph-based anomaly analytics techniques. In this survey, we provide a comprehensive overview of graph learning methods for anomaly analytics tasks. We classify them into four categories based on their model architectures, namely graph convolutional network (GCN), graph attention network (GAT), graph autoencoder (GAE), and other graph learning models. The differences between these methods are also compared in a systematic manner. Furthermore, we outline several graph-based anomaly analytics applications across various domains in the real world. Finally, we discuss five potential future research directions in this rapidly growing field.

Link prediction is a key problem for network-structured data. Link prediction heuristics use some score functions, such as common neighbors and Katz index, to measure the likelihood of links. They have obtained wide practical uses due to their simplicity, interpretability, and for some of them, scalability. However, every heuristic has a strong assumption on when two nodes are likely to link, which limits their effectiveness on networks where these assumptions fail. In this regard, a more reasonable way should be learning a suitable heuristic from a given network instead of using predefined ones. By extracting a local subgraph around each target link, we aim to learn a function mapping the subgraph patterns to link existence, thus automatically learning a "heuristic" that suits the current network. In this paper, we study this heuristic learning paradigm for link prediction. First, we develop a novel γ-decaying heuristic theory. The theory unifies a wide range of heuristics in a single framework, and proves that all these heuristics can be well approximated from local subgraphs. Our results show that local subgraphs reserve rich information related to link existence. Second, based on the γ-decaying theory, we propose a new method to learn heuristics from local subgraphs using a graph neural network (GNN). Its experimental results show unprecedented performance, working consistently well on a wide range of problems.