一
論文題目：
How much can deep learning improve prediction of the responses to drugs in cancer cell lines?
論文摘要：
深度神經網絡已被應用於1000多個癌症細胞和組織的多組學數據，以更好地預測藥物反應。作者總結並研究了最近發表的最先進的深度學習方法。儘管深度學習方法在藥物反應預測方面取得了重大進展，但深度學習方法在預測未出現在訓練數據集中的藥物反應方面顯示出其弱點。特別是在藥物盲測中，所有被評估的深度學習方法都比相似性-正則化矩陣分解（SRMF）方法表現差。作者概述了將深度學習方法應用於藥物反應預測的挑戰，並提出了將深度學習與已有的生物信息學分析相結合的方法。
論文鏈接：
https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab378/6370847?searchresult=1
二
論文題目：
Learning representation for multiple biological networks via a robust graph regularized integration approach
論文摘要：
學習節點表示是生物網絡分析中的一個基本問題，因為緊湊的表示特徵揭示了複雜的網絡結構，並為下游任務提供了有用的信息。最近，從不同方面剖析對象的多個網絡越來越多，提供了從多個角度學習對象的機會。然而，不同網絡間複雜的公共信息和特定信息對節點表示方法提出了挑戰。此外，網絡中普遍存在的噪聲要求更魯棒的表示。為了解決這些問題，文章提出了一種多生物網絡的表示學習方法。首先使用去噪擴散來適應網絡中的噪聲和偽邊，為後續的表示學習提供魯棒的連通性結構。然後引入一個圖的正則化集成模型，將精細化的網絡結合起來，計算共同的表示特徵。通過正則化分解技術，該模型可以有效地保持不同網絡的共同結構特性，同時容納不同網絡的特定信息，從而獲得一致的表示。仿真研究表明了該方法在不同程度噪聲網絡中的優越性。利用該方法學習到的表徵特徵，完成了3個基於網絡的推理任務，包括藥物-靶標相互作用預測、基因功能識別和細粒度物種分類。在不同的尺度和稀疏程度的生物網絡被涉及。實驗結果表明，與其他方法相比，該方法具有較好的魯棒性。
論文鏈接：
https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab409/6381251
Github鏈接：
https://github.com/XWenZhang/EnMUGR
三
論文題目：
Assessing deep learning methods in cis-regulatory motif finding based on genomic sequencing data
論文摘要：
從基因組測序數據(如ChIP-seq和CLIP-seq)中識別順式調控基序對於識別轉錄因子(TF)結合位點和推斷任何生物的基因調控機制至關重要。自2015年以來，深度學習(DL)方法已被廣泛應用於識別TF結合位點和預測motif模式，其優點是提供了一種可擴展、靈活和統一的計算方法，可以實現高度準確的預測。目前已經開發了20種深度學習方法。然而，如果沒有一個清晰和系統的評估，用戶將難以為他們的具體研究選擇最合適的工具。文章使用690種ENCODE ChIP-seq, 126種cancer ChIP-seq和55種RNA CLIP-seq數據評估了20種順式調節motif預測方法。研究了四項指標，包括motif發現的準確性、DNA/RNA序列分類的性能、算法的可擴展性和工具的可用性。評價結果表明，現有深度學習方法具有很強的互補性。
論文鏈接：
https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab374/6381249
Github鏈接:
https://github.com/OSU-BMBL/deepmotif-benchmark
四
論文題目：
A novel graph attention model for predicting frequencies of drug–side effects from multi-view data
論文摘要：
識別藥物副作用的頻率是藥理學研究和藥物風險-效益中一個非常重要的問題。然而，設計臨床試驗來確定頻率通常是耗時和昂貴的，而且大多數現有的方法只能預測藥物副作用的存在或關聯，而不是它們的頻率。作者開發了一種新型的藥物副作用頻率預測模型，使用圖注意網絡來整合三種不同類型的特徵，包括相似性信息、已知藥物副作用頻率信息和詞嵌入。相比之下，現有的研究只使用了已知的藥物副作用頻率得分。本工作中使用的一種新方法首先分解了藥物-副作用圖中的特徵類型，根據三種不同類型的特徵來提取不同的視圖表示向量，然後自動重新組合這些潛在的視圖向量，得到統一的嵌入，用於預測。計算結果表明，所提出的方法在基準數據集中取得了最好的性能，超過了最先進的矩陣分解模型。此外，還提供了一些消融實驗和視覺分析，以說明該方法對藥物副作用頻率預測的有用性。
論文鏈接：
https://academic.oup.com/bib/advance-article-abstract/doi/10.1093/bib/bbab239/6312959?redirectedFrom=fulltext
Github鏈接：
https://github.com/zhc940702/MGPred
留言列表