Protein-HVGAE:一种双曲空间中的蛋白质编码方法

蛋白质相互作用(PPI)网络中的蛋白质功能预测、蛋白质交互预测和复合物识别是生物信息学的重要任务,非常依赖于对蛋白质的编码。由于PPI网络是由少量中枢节点主导的无标度网络,传统欧氏空间嵌入方法难以捕捉网络中的层次结构,导致蛋白质编码效果并不理想。提出一种基于双曲空间图嵌入的蛋白质自编码器Protein-HVGAE,该模型采用两个双曲图卷积网络作为编码器,计算隐藏层的均值和方差,并在不同曲率的双曲空间中捕捉网络的层次结构,以区分各节点的低维表示;采用Fermi-Dirac函数做解码器,在双曲空间上通过内积运算重构网络。实验结果表明,该模型在3个PPI数据集中的两个下游任务(PPI预测和蛋白质功能预测)上的表现优于以往在欧氏空间中的编码方法(在PPI预测中AUC值高于VGAE模型0.07左右,在蛋白质功能预测中Macro-F1值高于VGAE模型0.02左右)。

基于变分图自编码器的社区发现方法研究

社区发现是复杂网络研究领域的一个重要问题,传统社区发现方法是通过节点间连边紧密程度而实现社区划分的,无法纳入节点的非结构属性.对此,文章基于变分图自编码器(VGAE),提出了一种兼顾节点连边与属性信息的网络社区发现方法(VGAE-INA,VGAE incorporating node attributes),并利用两个不同领域的现实网络数据进行了验证.研究结果表明,通过无监督的迭代学习,文章所提出的融合节点属性特征的变分图自编码器方法可以在同时考虑节点连边关系和节点属性特征情况下有效完成网络社区探查的任务.