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
焚心结完成签到 ,获得积分10
2秒前
6秒前
壮观以松完成签到 ,获得积分10
7秒前
木之尹完成签到 ,获得积分10
10秒前
老张完成签到 ,获得积分10
12秒前
22秒前
JamesPei应助john采纳,获得10
24秒前
安静严青完成签到 ,获得积分10
30秒前
binfo发布了新的文献求助10
31秒前
Shandongdaxiu完成签到 ,获得积分10
32秒前
弹剑作歌完成签到,获得积分10
33秒前
科研通AI2S应助科研通管家采纳,获得10
41秒前
yuminger完成签到 ,获得积分10
41秒前
guoxihan完成签到,获得积分10
44秒前
Re完成签到 ,获得积分10
45秒前
45秒前
john发布了新的文献求助10
48秒前
学术骗子小刚完成签到,获得积分10
49秒前
john完成签到,获得积分10
1分钟前
J陆lululu完成签到 ,获得积分10
1分钟前
苏子轩完成签到 ,获得积分10
1分钟前
阳光万声完成签到 ,获得积分10
1分钟前
高大的天道完成签到 ,获得积分10
1分钟前
长安乱世完成签到 ,获得积分10
1分钟前
萝卜丁完成签到 ,获得积分10
1分钟前
Lz555完成签到 ,获得积分10
1分钟前
Rainy完成签到 ,获得积分10
1分钟前
月亮是甜的完成签到 ,获得积分10
1分钟前
淼淼之锋完成签到 ,获得积分10
1分钟前
史小刀完成签到 ,获得积分10
1分钟前
Angenstern完成签到 ,获得积分10
1分钟前
czj完成签到 ,获得积分10
1分钟前
清爽绮彤完成签到 ,获得积分10
1分钟前
Rainbow完成签到,获得积分10
1分钟前
小巧的傲松完成签到 ,获得积分10
2分钟前
2分钟前
Lily完成签到,获得积分10
2分钟前
学习完成签到 ,获得积分10
2分钟前
Lily发布了新的文献求助10
2分钟前
zjq完成签到 ,获得积分10
2分钟前
高分求助中
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
宽禁带半导体紫外光电探测器 388
Case Research: The Case Writing Process 300
Global Geological Record of Lake Basins 300
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 3142849
求助须知:如何正确求助?哪些是违规求助? 2793717
关于积分的说明 7807147
捐赠科研通 2450021
什么是DOI,文献DOI怎么找? 1303576
科研通“疑难数据库(出版商)”最低求助积分说明 627016
版权声明 601350