HGLA: Biomolecular Interaction Prediction based on Mixed High-Order Graph Convolution with Filter Network via LSTM and Channel Attention

图形 卷积(计算机科学) 计算机科学 频道(广播) 滤波器(信号处理) 算法 理论计算机科学 数学 人工智能 计算机网络 计算机视觉 人工神经网络
作者
Zhen Zhang,Zhaohong Deng,Ruibo Li,Te Zhang,Qiongdan Lou,Kup‐Sze Choi,Shitong Wang
出处
期刊:IEEE/ACM Transactions on Computational Biology and Bioinformatics [Institute of Electrical and Electronics Engineers]
卷期号:: 1-13
标识
DOI:10.1109/tcbb.2024.3434399
摘要

Predicting biomolecular interactions is significant for understanding biological systems. Most existing methods for link prediction are based on graph convolution. Although graph convolution methods are advantageous in extracting structure information of biomolecular interactions, two key challenges still remain. One is how to consider both the immediate and highorder neighbors. Another is how to reduce noise when aggregating high-order neighbors. To address these challenges, we propose a novel method, called mixed high-order graph convolution with filter network via LSTM and channel attention (HGLA), to predict biomolecular interactions. Firstly, the basic and high-order features are extracted respectively through the traditional graph convolutional network (GCN) and the two-layer Higher-Order Graph Convolutional Architectures via Sparsified Neighborhood Mixing (MixHop). Secondly, these features are mixed and input into the filter network composed of LayerNorm, SENet and LSTM to generate filtered features, which are concatenated and used for link prediction. The advantages of HGLA are: 1) HGLA processes high-order features separately, rather than simply concatenating them; 2) HGLA better balances the basic features and high-order features; 3) HGLA effectively filters the noise from high-order neighbors. It outperforms state-ofthe-art networks on four benchmark datasets. The codes are available at https://github.com/zznb123/HGLA.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
wf完成签到,获得积分10
刚刚
娟娟完成签到,获得积分20
刚刚
小悦悦完成签到 ,获得积分10
1秒前
chenyu完成签到,获得积分10
1秒前
小小雨泪发布了新的文献求助10
1秒前
Ling完成签到,获得积分10
3秒前
zz发布了新的文献求助10
4秒前
小皮皮完成签到,获得积分10
4秒前
5秒前
烟花应助HYT采纳,获得10
6秒前
神勇友灵完成签到,获得积分10
7秒前
每每反完成签到,获得积分10
7秒前
Cuz完成签到,获得积分10
8秒前
科目三应助默默纲采纳,获得10
9秒前
魔叶树完成签到 ,获得积分10
11秒前
俭朴的发带完成签到,获得积分10
11秒前
荔枝完成签到 ,获得积分10
12秒前
时鹏飞完成签到 ,获得积分10
12秒前
方又亦完成签到,获得积分10
13秒前
Loooong应助小绵羊采纳,获得10
15秒前
科研通AI2S应助小绵羊采纳,获得10
15秒前
16秒前
Dr.Dream完成签到,获得积分10
16秒前
17秒前
zz关闭了zz文献求助
17秒前
受伤破茧完成签到,获得积分10
17秒前
从容访曼完成签到,获得积分10
20秒前
彭佳乐发布了新的文献求助10
20秒前
小绵羊完成签到,获得积分20
21秒前
hu完成签到,获得积分10
21秒前
Sherwin完成签到,获得积分10
21秒前
24秒前
Yara.H完成签到 ,获得积分10
24秒前
包包大人完成签到 ,获得积分10
25秒前
小骁同学完成签到,获得积分10
25秒前
晓晓完成签到,获得积分10
28秒前
土狗完成签到,获得积分10
28秒前
李ye发布了新的文献求助10
29秒前
吉吉国王完成签到,获得积分10
31秒前
向日葵完成签到 ,获得积分10
31秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3099821
求助须知:如何正确求助?哪些是违规求助? 2751309
关于积分的说明 7612489
捐赠科研通 2403104
什么是DOI,文献DOI怎么找? 1275188
科研通“疑难数据库(出版商)”最低求助积分说明 616293
版权声明 599053