HGNA-HTI: Heterogeneous graph neural network with attention mechanism for prediction of herb-target interactions

计算机科学 图形 机制(生物学) 注意力网络 异构网络 人工智能 代表(政治) 交互网络 人工神经网络 理论计算机科学 骨料(复合) 数据挖掘 机器学习 认识论 无线网络 基因 哲学 政治 电信 复合材料 化学 材料科学 法学 无线 生物化学 政治学
作者
Wenhui Zhao,Hao Wu,Jieyue He
标识
DOI:10.1109/bibm52615.2021.9669308
摘要

Herb-target interactions (HTIs) prediction plays a key role in exploring the mechanism of Traditional Chinese Medicine (TCM). There have been many studies on the prediction of drug-target interactions. However, these methods cannot be directly applied to TCM, which has the characteristics of multiple-component, multiple-target and multiple-pathway. Although network-based methods began to be used to study the prediction of HTIs, the aggregate information from the high-order neighborhood on the heterogeneous herb-target network is underutilized. Therefore, this paper proposes a Heterogeneous Graph Neural Network with Attention Mechanism for Prediction of Herb-Target Interactions (HGNA-HTI). Specifically, based on the heterogeneous herb-target graph, HGNA-HTI uses attention mechanism to give high attention values to important nodes and edges based on different types of meta relations, and applies message passing process to incorporate information from different types of links. Moreover, HGNA-HTI aggregates the above information to extract the semantic information and high-level structure of the heterogeneous herb-target graph to obtain the final feature representation to enhance the ability for prediction of HTIs. The experiment results on two datasets, show that the HGNA-HTI model is better than state-of-the-art approaches.
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
无花果应助huahua0728采纳,获得10
刚刚
学校不买数据库完成签到,获得积分10
1秒前
领导范儿应助郭倩采纳,获得10
3秒前
小萝卜头发布了新的文献求助10
3秒前
4秒前
dede完成签到,获得积分10
5秒前
7秒前
8秒前
9秒前
想大大只发布了新的文献求助30
9秒前
evak完成签到,获得积分10
10秒前
11秒前
11秒前
11秒前
深情安青应助dede采纳,获得10
12秒前
DirectorO发布了新的文献求助10
14秒前
想大大只完成签到,获得积分10
15秒前
和谐蛋蛋发布了新的文献求助10
15秒前
小萝卜头完成签到,获得积分10
15秒前
苹果丑应助欣慰问凝采纳,获得30
15秒前
Fourteen发布了新的文献求助10
15秒前
mm完成签到,获得积分10
17秒前
糖糖唐发布了新的文献求助10
18秒前
sk夏冰完成签到 ,获得积分10
18秒前
华开放发布了新的文献求助10
18秒前
爆米花应助易寒采纳,获得10
20秒前
科研通AI2S应助mm采纳,获得10
20秒前
所所应助Rian采纳,获得10
21秒前
iY完成签到 ,获得积分10
22秒前
22秒前
23秒前
23秒前
Cassie发布了新的文献求助20
24秒前
FashionBoy应助冷傲初夏采纳,获得10
25秒前
yixin发布了新的文献求助10
25秒前
28秒前
上官若男应助听弦采纳,获得10
30秒前
MalowZhang发布了新的文献求助10
31秒前
乐乐乐乐乐乐应助牧歌采纳,获得10
31秒前
zhaoxicun发布了新的文献求助30
32秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
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 3256323
求助须知:如何正确求助?哪些是违规求助? 2898596
关于积分的说明 8301615
捐赠科研通 2567759
什么是DOI,文献DOI怎么找? 1394681
科研通“疑难数据库(出版商)”最低求助积分说明 652913
邀请新用户注册赠送积分活动 630557