XiaoMi-AI文件搜索系统
World File Search SystemNode2VEC
基于图的机器学习方法
本研究文章使用图理论和机器学习技术探讨了Instagram影响者网络。随着社交媒体人物的日益影响，了解其网络结构和动态对于有效的营销和品牌参与至关重要。我们将Instagram的影响者生态系统建模为图形，并应用几种机器学习算法，包括Node2VEC和Word2Vec，以执行诸如链接预测和社区检测之类的任务。我们的分析揭示了影响者互动和网络连接性的重要模式，从而为有影响力的行为和在线社区的形成提供了可行的见解。这些发现为优化营销策略和增强社交媒体环境中的品牌合作提供了宝贵的影响。
食管癌中药物治疗和耐药性的机制
最近的研究表明，大脑功能连通性障碍是在阿尔茨海默氏病（AD）以及轻度认知障碍（MCI）的情况下发生的早期事件。我们将大脑作为基于图的网络建模，以研究这些障碍。在本文中，我们使用基于图理论的功能磁共振（FMR）图像的特征提出了一种新的诊断方法，以使用不同的分类技术来区分AD，MCI和健康对照（HC）受试者。这些技术包括线性支持向量机（LSVM）和正规化的极限学习机（RERM）。我们使用成对的Pearson基于相关的功能连接来构建大脑网络。我们使用阿尔茨海默氏病神经影像计划（ADNI）数据集比较了大脑网络的分类性能。node2Vec图嵌入方法用于将图形特征转换为特征向量。实验结果表明，与其他分类技术相比，具有LASSO特征选择方法的SVM具有更好的分类精度。
基于图嵌入和图挖掘的计算药物-靶标相互作用预测
阿卜杜拉国王科技大学 (KAUST)，计算生物科学研究中心 (CBRC)，沙特阿拉伯图瓦尔 vladimir.bajic@kaust.edu.sa 摘要 识别药物和蛋白质的相互作用是药物发现早期阶段和寻找新药用途的重要步骤。传统的实验识别和验证这些相互作用仍然耗时、昂贵，并且成功率不高。为了改进这种识别过程，开发计算方法以最小错误率预测和排序可能的药物-靶标相互作用 (DTI) 将大有帮助。在这项工作中，我们提出了一种使用图嵌入和图挖掘进行药物-靶标相互作用预测的计算方法 DTiGEM。DTiGEM 模型将新型 DTI 识别为通过整合三个网络构建的异构图中的链接预测问题，即：药物-药物相似性、靶标-靶标相似性和已知 DTI。 DTiGEM 结合了不同的技术，包括图嵌入（例如 node2vec）、图挖掘（例如药物和目标之间的路径得分）和机器学习（例如不同的分类器）。与其他最先进的方法相比，DTiGEM 在四个基准数据集上对 DTI 进行计算预测时，在精确召回曲线下面积 (AUPR) 方面的预测性能有所提高。具体而言，我们证明，基于所有基准数据集的平均 AUPR 得分，DTiGEM 实现了最高平均 AUPR 值 (0.831)，从而相对于比较中表现第二好的方法将预测误差降低了 22.4%。
使用疾病特异性超图生成新的药物再利用假设
一种新化合物的药物开发流程可能持续 10-20 年，耗资超过 100 亿美元。药物再利用提供了一种更省时省钱的替代方案。基于网络图表示的计算方法（由疾病节点及其相互作用的混合组成）最近产生了新的药物再利用假设，包括适用于 COVID-19 的候选药物。然而，这些相互作用组在设计上仍然是聚合的，并且通常缺乏疾病特异性。这种信息稀释可能会影响药物节点嵌入与特定疾病的相关性、由此产生的药物-疾病和药物-药物相似性得分，从而影响我们识别新靶点或药物协同作用的能力。为了解决这个问题，我们建议构建和学习疾病特异性超图，其中超边编码各种长度的生物途径。我们使用改进的 node2vec 算法来生成通路嵌入。我们评估了我们的超图为一种无法治愈但普遍存在的疾病——阿尔茨海默病 (AD) 寻找再利用靶标的能力，并将我们的排序建议与来自最先进的知识图谱——多尺度相互作用组的建议进行比较。使用我们的方法，我们成功地确定了 7 个有希望的 AD 再利用候选药物，这些候选药物被多尺度相互作用组评为不太可能的再利用靶标，但现有文献提供了支持证据。此外，我们的药物再定位建议附有解释，引出了合理的生物学途径。未来，我们计划将我们提出的方法扩展到 800 多种疾病，将单一疾病超图组合成多疾病超图，以解释具有风险因素的亚群或编码特定患者的合并症，以制定个性化的再利用建议。