IJCAI 2021 医药AI必读论文推荐

论文名称

AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction

表型对于医疗影像诊断会有负面影响，多图融合方法的参数随着表型的增加而变大，从而影响模型的效果。为了应对上述挑战，作者提出了一种新的相似性感知自适应校正多层聚合称GCN结构（AMA-GCN）, 编码器根据表型数据的空间分布，自动选择适当的表型，并利用文本的相似性和边缘的感知机制计算节点之间的权重。编码器可以自动使用对环境有积极影响的策略构造表型图种群，并进一步融合多模式信息。此外，还提出了聚合机制，设计新颖的图多层卷积网络结构，可以在抑制的同时获得深层结构信息过度平滑，并在相同类型的节点之间增加相似性。

论文名称

Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Predict

现有PPI的预测在新的数据集上的表现并不好。蛋白质之间的相关性，例如，蛋白质A与B有相互作用，B与C有相互作用，那么A与C是相关的。基于以上分析，作者提出GNN-PPI框架充分探索蛋白质之间的相互作用（基于图的数据集划分），且将蛋白质之间的相关性纳入模型中，以提高蛋白质相互预测的效果。

论文名称

Medical Image Segmentation using Squeeze-and-Expansion Transformers

医疗图像分割需要同时顾及全局信息和局部细节，现有方法（U-net等）抽取并融合多尺度信息，但依然只有很小的有效感受野。本文提出Segtran，基于transformers的分割框架，即使在高特征分辨率下也具有无限的有效感受野。此外，本文提出了一种新的基于transformers的位置编码方案，对图像施加连续性归纳偏置。

论文名称

MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events

现有方法很少关注DDI与多模态数据（如靶点和酶）之间的潜在相关性。本文提出用于DDI预测的多模态深度神经网络（MDNN）。在MDNN中，存在一个双通路框架，包括基于药物知识图谱（DKG）的通路和基于异质特征（HF）的通路，以获得药物多模态表征。最后，设计了一个多模态融合神经层来探索药物多模态表征之间的互补性。

论文名称

CSGNN: Contrastive Self-Supervised Graph Neural Network for Molecular Interaction Prediction

现有分子相互作用研究依赖于分子的特性和结构，这大大限制了模型的迁移能力，本文致力于广泛的分子相互作用预测，提出对比自监督图神经网络（CSGNN）用于分子相互作用预测（MIP）。CSGNN将多跳邻居聚合器融合到图形神经网络（GNN）中来捕获分子相互作用中的高阶依赖性，同时利用对比自监督学习来增强多任务学习的泛化能力能力。

论文名称

Learning Attributed Graph Representations with Communicative Message Passing Transformer

基于图的分子表征往往关注局部信息聚合忽略图的高阶信息，使用节点信息而不是边的信息。为了缓解这样的问题，作者提出提出了一个消息交换传递转换器（CoMPT），改进分子的图神经网络。通过transformer来增强节点和边之间的信息交互。区别于将分子视为全链接图，在图中，作者引入了一种消息扩散机制，降低图连接诱导性偏差并减少信息丰富爆炸

论文名称

Self-Supervised Adversarial Distribution Regularization for Medication Recommendation

论文名称

A Structure Self-Aware Model for Discourse Parsing on Multi-Party Dialogues

论文名称

Adapting Meta Knowledge with Heterogeneous Information Network for COVID-19 Themed Malicious Repository Detection

论文名称

Adaptive Residue-wise Profile Fusion for Low Homologous Protein Secondary Structure Prediction Using External Knowledge