图挖掘的应用在系统生物学、网络生物学和毒理学

图挖掘技术可以提供一个更大的对生物信息的理解。传统的图挖掘技术从节点的角度学习图结构通过最大化节点两两关系或模拟节点信息传播在生物图表。图神经网络技术可以利用先进的深度学习解决问题的技术和生物数据的理解。和知识图技术考虑实体三胞胎从节点和链接的角度学习和预测生物图结构。

特别是知识图,利用已知的显式和隐式连接之间的生物实体,如基因、蛋白质和药物。这些已知的关系是用来形成复杂知识图集成各种数据源和连接已知的生物实体。通过应用图模型挖掘技术和链接预测方法等知识图,进一步可以揭示生物关系,这可能会帮助理解和治疗疾病,基因毒性的预测,预测化合物和生物活性。

注意但是也共同挑战在图的挖掘,包括但不限于学习,节点表示节点集群,链接预测。解决这些挑战将增加巨大的潜在生物研究。

这个研究课题的目标是强调生物问题的图挖掘应用程序集成多个数据源和/或帮助解决在图挖掘面临的共同挑战。区域覆盖在这个研究课题可能包括,但不限于:
1。综合数据和图模式挖掘方法/技术,解决生物研究问题而设计的。
2。生物知识图施工。欢迎新的基于数据集构建生物知识存储在复杂的图表。
3所示。实证研究比较不同类型的方法的性能在某些生物研究的问题。

请注意:我们希望作者共享模型和算法公开,鼓励作者验证模型预测通过比较实验数据,包括发表的实验数据。

主题编辑器郑高是受雇于亚马逊,我们。所有其他主题编辑声明没有利益冲突,研究课题

关键字:图挖掘、知识图、实体表示学习,链接预测,机器学习,系统生物学,系统毒理学、网络生物学、生理学网络

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。