【Bioinformatics】四篇好文简读-专题1

一

论文题目：

Subtype-GAN: a deep learning approach for integrative cancer subtyping of multi-omics data

论文摘要：

癌症亚型的发现有助于探索癌症发病机制，确定治疗中的临床可操作性，并提高患者的生存率。然而，由于多组学数据的多样性和复杂性，开发用于肿瘤分子亚型的集成聚类算法仍然具有挑战性。本文提出了 Subtype-GAN，这是一种基于多输入多输出神经网络的深度对抗学习方法，可以准确地对复杂的组学数据进行建模。通过从神经网络中提取潜在变量，Subtype-GAN 使用共识聚类和高斯混合模型来识别肿瘤样本的分子亚型。与其他最先进的子分型方法相比，Subtype-GAN 在由来自 10 种癌症类型的 4000 个 TCGA 肿瘤组成的基准数据集上取得了出色的表现。作者将 Subtype-GAN 应用于 BRCA 数据集，并自动获得了 1031 个 BRCA 肿瘤的亚型数量和亚型标签。通过详细分析，作者发现识别出的亚型具有临床意义，并且在特征空间中显示出不同的模式，证明了 Subtype-GAN 的实用性。

论文链接：

https://doi.org/10.1093/bioinformatics/btab109

Github链接：

https://github.com/haiyang1986/Subtype-GAN

二

论文题目：

DTI-Voodoo: machine learning over interaction networks and ontology-based background knowledge predicts drug–target interactions

论文摘要：预测DTI的方法可以间接进行，利用药物的表型效应来识别潜在的药物靶点，也可以是直接的利用分子信息直接预测结合亲和力。这两种方法都可以与有关交互网络的信息相结合。作者开发了DTI-Voodoo，将药物的分子特征和本体编码的表型效应与蛋白质-蛋白质相互作用网络相结合，并使用GCN来预测DTI。作者证明了药物效应特征可以利用相互作用网络中的信息，而分子特征则不能。DTI-Voodoo旨在预测给定蛋白质的候选药物；实验证明了DTI-Voodoo比最先进的DTI预测方法有显著的改进。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab548/6329632 代码链接：

https://github.com/THinnerichs/DTI-VOODOO

三

论文题目：

Node similarity-based graph convolution for link prediction in biological networks 论文摘要：

最近，包括基于图卷积网络(GCN)的节点嵌入在内的图表示学习方法在链路预测中引起了越来越多的关注。基于GCN的网络嵌入的一个重要组成部分是卷积矩阵，用于在网络上传播特征。现有算法使用度归一化的邻接矩阵，因为该矩阵与图拉普拉斯密切相关，能捕获网络的频谱属性。同时，已经证明单层的GCN可以通过减少参数的数量来产生更好的嵌入。基于拉普拉斯的卷积并不适合单层GCN，因为它限制了信息向节点邻居的传播。作者提出使用基于节点相似性的卷积矩阵来计算链路预测的节点嵌入。为此，考虑八个有代表性的节点相似性度量(Common Neighbors, Jaccard Index, Adamic-Adar, Resource Allocation, Hub- Depressed Index, Hub-Promoted Index, Sorenson Index and Salton Index) 。实验结果表明，基于节点相似性的卷积矩阵显著提高了基于GCN嵌入的链路预测性能。

论文链接：

https://academic.oup.com/bioinformatics/advance-article/doi/10.1093/bioinformatics/btab464/6307262 Github链接：

https://github.com/mustafaCoskunAgu/SiGraC

四

论文题目：

A modeling framework for embedding-based predictions for compound–viral protein activity 论文摘要：

由于新化合物的设计是一个极其漫长、耗时和昂贵的过程，因此研究人员正在努力发现可以重新用于新冠肺炎和新的病毒疾病的现有化合物。作者提出了一种机器学习表示框架，该框架使用深度学习诱导的化合物和病毒蛋白载体嵌入作为特征来预测复合病毒蛋白的活性。预测模型反过来使用一个共识框架来对照感兴趣的病毒蛋白对批准的化合物进行排序。作者确定了SARS-COV-2病毒三种主要蛋白(PL-PRO、3CL-PRO和Spike蛋白)作为潜在靶点的47种化合物，其中包括21种抗病毒药物、15种抗癌药物、5种抗生素和6种其他化合物。作者进行了额外的分子对接模拟，以证明这些化合物中的大多数具有低结合能，从而具有高结合亲和力，具有潜在的抗SARS-COV-2病毒的潜力。

论文链接：

https://academic.oup.com/bioinformatics/article/37/17/2544/6151691 Github链接：

https://github.com/raghvendra5688/