XiaoMi-AI文件搜索系统
World File Search System相似性
语义关系的分布式代码预测类比推理期间的神经相似性
诗人塞缪尔·泰勒·科尔里奇（Samuel Taylor Coleridge）声称，这种思想需要“习惯于不仅要考虑事物，而是……而是同样，主要是事物的关系……”（Coleridge，1810/1969，第451页）。由于关系为语言和思想提供了基本的基础，因此它们对于一系列认知任务是核心。A prime example is the critical role of relation representa- tions in analogical reasoning (Holyoak, 2012), a mental process that impacts human activities as diverse as meta- phor comprehension (Holyoak, 2019), mathematics edu- cation (Richland, Zur, & Holyoak, 2007), scientific discovery (Dunbar & Klahr, 2012), and engineering design (Chan & Schunn, 2015）。然而，尽管关系的重要性得到了广泛的认可，但就思想和大脑中的关系表示形式尚未达成共识。在过去的半个世纪中，探索人类语义记忆的认知科学家试图确定两个概念之间一阶关系的代码（有关评论，请参见琼斯，威利特斯，＆dennis，＆dennis，2015年； Holyoak，2008年）。两种长期观点，主要基于从类别的加速验证（例如，尽快决定玫瑰是花是花）的数据，继续具有影响力。源自计算机科学的一种方法（Collins＆Quillian，1969），将关系视为粗编码，并在代表概念的本地主义节点之间具有标记的统一联系（例如，连接连接玫瑰花的“ IS”链接）。关系
DTiGEMS+：使用图嵌入、图挖掘和基于相似性的技术预测药物-靶标相互作用
摘要 在可持续药物开发过程中，药物-靶标相互作用的计算机预测是一个关键阶段，特别是当研究重点是利用现有药物的重新定位时。然而，开发这样的计算方法并非易事，但却非常必要，因为当前预测潜在药物-靶标相互作用的方法存在高假阳性率。在这里，我们介绍了 DTiGEMS +，一种使用图嵌入、图挖掘和基于相似性的技术预测药物-靶标相互作用的计算方法。DTiGEMS + 结合了基于相似性和基于特征的方法，并将新型药物-靶标相互作用的识别建模为异构网络中的链接预测问题。DTiGEMS + 通过使用另外两个互补图（即：药物-药物相似性、靶标-靶标相似性）扩充已知的药物-靶标相互作用图来构建异构网络。DTiGEMS + 结合了不同的计算技术来提供最终的药物靶标预测，这些技术包括图嵌入、图挖掘和机器学习。 DTiGEMS+ 在应用相似性选择程序和相似性融合算法后，将多种药物-药物相似性和靶标-靶标相似性集成到最终的异构图构造中。使用四个基准数据集，我们表明 DTiGEMS+ 与其他用于预测药物-靶标相互作用的最先进的计算机模拟方法相比，显著提高了预测性能，在所有数据集中实现了最高的平均 AUPR（0.92），与最先进方法比较中表现第二好的模型相比，错误率降低了 33.3%。关键词：药物重新定位、药物-靶标相互作用、机器学习、图嵌入、异构网络、基于相似性、相似性集成、生物信息学、化学信息学
在基于目标的药物相似性网络中发现新的药物特性
尽管生物信息学、系统生物学和机器学习最近取得了进展，但准确预测药物特性仍然是一个悬而未决的问题。事实上，由于生物环境是一个复杂的系统，传统的基于化学结构知识的方法无法完全解释药物与生物靶标之间相互作用的性质。因此，在本文中，我们提出了一种无监督的机器学习方法，该方法使用我们了解的有关药物-靶标相互作用的信息来推断药物特性。为此，我们根据药物-靶标相互作用定义药物相似性，并根据药物-药物相似性关系构建加权药物-药物相似性网络。使用能量模型网络布局，我们生成与特定的主要药物特性相关的药物群落。DrugBank 确认了这些群落中 59.52% 的药物的特性，26.98% 是我们使用 DDSN 方法重建的现有药物重新定位提示。其余 13.49% 的药物似乎与主要药理特性不符；因此，我们将它们视为药物再利用的提示。测试所有这些再利用提示所需的资源是相当可观的。因此，我们引入了一种基于中介度/度节点中心性的优先排序机制。通过使用中介度/度作为药物再利用潜力的指标，我们分别选择壬二酸和甲丙氨酯作为可能的抗肿瘤药和抗真菌药。最后，我们使用基于分子对接的测试程序进一步分析壬二酸和甲丙氨酯的再利用。
全面整合的药物相似性资源，用于...
针对计算机药物重新定位及其他方面的全面综合药物相似性资源 AKM Azad、Mojdeh Dinarvand、Alireza Nematollahi、Joshua Swift、Louise Lutze-Mann、Fatemeh Vafaee*
表征相似性分析对计算神经科学模型选择和评估的评价
神经科学的一个重要目标是确定不同大脑区域代表哪些类型的信息。在研究大脑表征的一种策略中，研究人员首先记录大脑对不同刺激的反应。然后使用统计方法来评估刺激和大脑反应之间关系的强度。然后使用这些统计评估结果推断感兴趣区域中编码的表征空间。认知神经科学家可以使用许多统计技术。它们包括统计参数映射方法 [12]、多元模式分析 (MVPA) 技术 [4] 和编码模型 [16]。一种常见的 MVPA 分析类型是表征相似性分析 (RSA；[10])。RSA 之所以被广泛采用，部分原因是它计算简单。然而，迄今为止很少有研究探索 RSA 的有效性。 10 在本文中，我们使用模拟数据和真实数据来评估 RSA 作为模型评估和模型选择方法的有效性，更广泛地说，作为计算神经科学的工具。模型评估是指在刺激和反应之间存在显著关系时，检测刺激和反应之间显著关系的能力。
一种相似性的生成理论：补充材料
假设我们给我们一组对象D和一组转换t。我们假设每个转换都是可逆的 - 如果有一个转换映射到s 2，也必须有一个转换映射s 2到s 1中。，我们使用了由原型θ∈D所指定的生成过程，从d上的均匀（甚至可能是不当）分布中选择的原型θ∈D。要从过程中生成对象s，我们从指数分布中采样了转换计数k，从t随机选择k转换，然后将它们应用于原型：