【IJCAI 2021】四篇好文简读-专题1

一

论文题目：

Learning Unknown from Correlations: Graph Neural Network for Inter-novel-protein Interaction Prediction Secondary Structure Prediction Using External Knowledge

论文摘要：

多类型蛋白质相互作用(PPI)的研究是从系统的角度理解生物过程和揭示疾病机制的基础。在不可见的数据集中测试时，现有的方法会遭受显著的性能下降。本文对这一问题进行了研究，发现这主要是由于新蛋白相互作用的预测性能较差造成的。然而，目前的评估忽略了新蛋白之间的相互作用，因此未能给出有指导意义的评估。因此，作者建议从评价和方法两方面解决这一问题。首先，作者设计了一个新的评估框架，充分考虑了新蛋白之间的相互作用，并给出了跨数据集的一致性评估。其次，作者认为蛋白质之间的相关性必须为新蛋白质的分析提供有用的信息，在此基础上，作者提出了基于图神经网络的新蛋白质相互作用预测方法(GNN-PPI)。在不同尺度的真实数据集上的实验结果表明，GNN-PPI显著优于目前最先进的PPI预测方法，特别是对新蛋白相互作用的预测。

论文链接：

https://www.ijcai.org/proceedings/2021/0506.pdf github 链接：

https://github.com/lvguofeng/GNN_PPI

二

论文题目：

Positive-Unlabeled Learning from Imbalanced Data 论文摘要：

正无标记(PU)学习处理只有正(P)和未标记(U)数据而没有负(N)数据的二元分类问题。现有的PU方法在平衡数据集上表现良好。然而，在实际应用中，如财务欺诈检测或医疗诊断，数据总是不平衡的。目前还不清楚现有的PU方法是否能很好地处理不平衡数据。在本文中，作者探讨了这个问题，并针对不平衡数据提出了一个通用的PU学习目标。通过这个学习目标，基于优化一致性风险估计的最先进的PU方法可以适应克服不平衡。作者从理论上证明，在期望中，优化提出的学习目标等价于在有P和N数据的过采样均衡数据上学习分类器，并进一步提供了估计误差界。最后，通过与现有PU方法的比较，验证了本文方法的有效性。

论文链接：

https://www.ijcai.org/proceedings/2021/0412.pdf

三

论文题目：

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

蛋白质二级结构预测(PSSP)是蛋白质功能分析的基础。而对于低同源蛋白，PSSP则存在输入特征不足的问题。本文在（氨基酸）残基轮廓融合的指导下，对低同源PSSP显式导入外部自监督知识。在实践中，作者首先证明了在低同源PSSP的情况下，轮廓比位置特定评分矩阵(Position-Specific Scoring Matrix, PSSM)更有优势。在此基础上，作者引入了新的自监督BERT特征作为伪轮廓，它隐式地将所有天然发现序列中的残基分布作为互补特征。此外，作者设计了一种新的残基注意力机制自适应的融合不同特征(原始低质量轮廓、基于BERT的伪轮廓)，既充分利用了每个特征，又避免了噪声干扰。作者还提出了特征一致性损失的概念，从多个语义层次加速模型学习。大量的实验证实，作者的方法优于目前的水平(即，在BC40数据集上极低的同源案例中，准确率为4.7%)。

论文链接：

https://www.ijcai.org/proceedings/2021/0490.pdf

四

论文题目：

Learning Attributed Graph Representations with Communicative Message Passing Transforme

论文摘要：

构建合适的分子表征是材料科学、化学和药物设计等众多任务的核心。近年来的研究将分子抽象为属性图，利用图神经网络进行分子表示学习，在分子图建模方面取得了显著的成就。尽管功能强大，但目前的模型要么是基于局部聚合操作，因此忽略了高阶图属性，要么只关注节点信息，而没有充分利用边缘信息。为此，作者提出了一种交互式消息传递转换器(CoMPT)神经网络，通过加强节点和边之间的消息交互来改进分子图的表示。不同于以往将分子视为完全连通图的transformer式的GNNs，作者引入了信息扩散机制，利用了图连通性的归纳偏差，减少了信息爆炸。大量的实验证明，在7个化学属性数据集(图级任务)和2个化学位移数据集(节点级任务)上，所提出的模型与最先进的基线相比获得了更好的性能(平均约4%)。进一步的可视化研究也表明，作者的模型获得了更好的表征能力。

论文链接：

https://www.ijcai.org/proceedings/2021/0309.pdf

Github链接：

https://github.com/jcchan23/CoMPT