邴嘉欣-2016.8.5组会-多标签分类问题&药物-靶点链接预测问题

Severus

标   题：多标签分类问题 & 药物-靶点链接预测问题

报告人：邴嘉欣

摘   要：

【multi-label classification】

针对有些分类问题中，标签间关系和实例间关系没有给定的情况，提出了一种新的PIPL算法，利用异构网络中不同的meta-path，来对标签、实例间的关系进行分类特征提取，再寻找标签-实例间的关系，进行链接预测，其步骤如下：
              

（1）meta-path construction：对异构网络进行宽度优先搜索，提取meta-path，构建路径集合；
              

（2）training initialization：对所以实例的特征向量进行转换，由xi转换成xik；

                                         xik=（xi，LabelPathFeature（lk，Yi），InstancePathFeature（i，Yl））

（3）bootstrap：对每个Yi产生一个预测标签；

（4）iterative inference：把每个xi扩展成xik，对每个测试实例的标签集Yi更新预测值，重复直到收敛。

【drug-target interaction prediction】

综述了一些数据库和服务器分别存储的数据内容和类别，统计了各个数据库数据量并进行对比。另外介绍了一些进行drug-target链接预测的数学模型，包括三类：基于网络的模型、基于机器学习的模型、其他模型：

（1）MTOI：通过系统地分析疾病网络中，某一个疾病下的状态和正常状态间的转换过程，来推测潜在的药物靶点。目的是找出多目标优化的调节方法，来给出最优的状态转换。

（2）Drug side-effect similarity-based method：利用两种药物的副作用相似性来判断这两种药物是否具有同一个靶点，提出两种数学模型来根据不同的相似性依据计算两种药物共享同一个靶点的概率。

（3）NRWRH：基于相似药物总是会与相似靶蛋白产生相互作用的假设，把药物相似性网络、蛋白质相似性网络和已知的药物-靶点作用网络整合成一个异构网络，再通过在异构网络上随机游走来预测潜在的药物-靶点关系。

（4）Bipartite graph learning method：一种监督学习模型，是基于核回归的方法，先根据药物的化学结构信息和靶点的蛋白质序列信息把药物和靶点整合成一个网络，再运用两个核回归模型来分别映射未知的药物和靶点的位置；

（5）BLM（Bipartite Local Model）：根据靶点相似性预测一个药物的靶点，再根据药物相似性预测一个靶点的关联药物，根据这两个预测结果评分拟合出最终结果。

参考论文：

[1] Multi-Label Classification by Mining Label and Instance Correlations from Heterogeneous Information Networks.  文章链接

[2]Drug–target interaction prediction: databases, web servers and computational models. 文章链接

报告PPT：

PPT太大，压缩之后还是超过了2M，所以就用云盘链接共享了。链接：http://pan.baidu.com/s/1c7OgWY 密码：azp0

hxianxian

关于异构网络的meta-path 有没有介绍的资料?

Severus

hxianxian 发表于 2016-11-10 14:45
关于异构网络的meta-path 有没有介绍的资料?

meta-path的定义吗？可以参见《A Survey of Heterogeneous Information Network Analysis》这篇论文，里面的讲解很详细。