摘要

生物医学互作网络在预测具有生物学意义的互作关系、识别疾病网络生物标志物以及发现潜在药物靶点方面具有巨大潜力。近年来，图神经网络（Graph Neural Networks）被提出用于有效学习生物医学实体的表示，并在生物医学互作预测任务中取得了最先进的性能。然而，现有方法通常仅考虑邻近节点的局部信息，难以捕捉来自不同距离邻居的特征的全局混合信息。为此，本文提出一种高阶图卷积网络（Higher-Order Graph Convolutional Network, HOGCN），用于聚合来自高阶邻域的信息，以提升生物医学互作预测的准确性。具体而言，HOGCN能够收集来自不同距离邻居的特征表示，并通过学习其线性组合，获得更具信息量的生物医学实体表示。在四种互作网络（包括蛋白质-蛋白质互作、药物-药物互作、药物-靶点互作以及基因-疾病互作）上的实验结果表明，HOGCN能够实现更准确且校准性更好的预测性能。尤其在噪声较大、互作关系稀疏的网络中，当综合考虑多距离邻居的特征表示时，HOGCN仍表现出优异的鲁棒性。此外，通过基于文献的案例研究，本文验证了一组新预测的互作关系，进一步证实了模型的生物学合理性与实用性。