3.3.2 藥物-藥物相互作用(DDI)預測藥物-藥物相互作用(DDI)會影響不同藥物組合的效果，甚至導致嚴重的不良反應 。有效的DDI預測對患者和降低藥物開發成本至關重要 。
基于多數據源 ， Karim等人將各種KGE方法與卷積LSTM和經典機器學習分類器相結合用于DDI預測 。他們形成了一個由數據集DrugBank、PharmGKB和KEGG中的藥物特征組成的知識圖譜 。Park等人開發了一種基于注意力的GCN，用于從生物醫學文獻中提取DDI 。為了提高現有DDI預測方法的可擴展性和穩健性，Chen等人探索了一種基于圖表示學習的方法來更準確地預測DDI 。Celebi等人比較和評價了用于預測DDI的不同KGE方法 ， 并在不相交交叉驗證下測試了DDI預測任務 。
3.4 醫療保健中的圖表示學習最近的基于圖表示學習的計算方法也被用于集成和利用多模式醫療系統數據，如生物醫學知識圖、電子健康記錄(EHR)、電子病歷(EMR)和生物醫學圖像，以更好地實現個性化醫療 。EHR或EMR通常由具有層次結構的國際疾病分類代碼來表示，它可以自然地表示為全面的醫學知識圖 。也可以涉及疾病癥狀、分子信息、藥物相互作用和副作用信息 。
為了促進醫學和醫療保健中的臨床決策支持系統 ， Rotmensch等人開發了一種自動化方法，用于從EMR中挖掘和構建連接疾病和癥狀的高質量醫學知識圖譜 。Ruiz等人提出了一種解釋疾病治療的有效方法，他們將多個受疾病干擾的蛋白質、藥物靶點和生物功能整合到一個多尺度的交互組中，并開發了一種基于隨機游走的方法來捕捉藥物如何通過PPI和生物功能發揮作用 。多尺度交互作用組預測與疾病治療相關的藥物疾病關聯、蛋白質和生物功能，并預測影響治療效果和不良反應的基因 。基于腦部磁共振成像圖像，Song等人提出了對阿爾茨海默病進行分類的方法 。Wu等人在中提出了ME2Vec來學習EHR中一般實體的連續低維嵌入，將醫療服務、醫生和患者分別用word2vec、GAT和LINE嵌入 。為了避免手動標記電子病歷數據的限制，Sun等人提出了一種基于廣義神經網絡的疾病預測模型，利用外部知識庫對不足的電子病歷數據進行擴充，以患者病歷圖和醫學概念圖為基礎學習疾病、癥狀和患者的有效表示 。他們進一步研究了GAT和圖同構網絡聚集器以進行比較 。此外，Choi等人提出了一種圖卷積變換來學習EHR的隱藏結構，而不是將EHR數據視為扁平結構的特征袋 。
4.挑戰和機遇盡管圖表示學習在不同的生物醫學任務中顯示出了良好的結果，但多組學數據集成將繼續促進生物和醫學研究 。然而，目前關于生物醫學圖的圖表示學習并不足以在任何條件下為任何生物和醫學圖提供令人難以置信的解決方案 。未來的發展方向既有挑戰，也有機遇 。
4.1 數據質量與其他領域干凈、組織良好的數據相比 ， 生物醫學圖通常稀疏、噪聲和不完整 。
同時，收集原始和可靠的數據通常需要耗時和費力的濕實驗，并且需要進行大量的濕實驗 。同時 ， 生物醫學數據分散、積累快，缺乏良好的結構 。鑒于生物醫學數據的稀疏性和不完全性 ， 更好地集成多源高質量數據并開發有針對性的圖表示學習方法是一個具有挑戰性的問題 。
4.2 復雜的圖結構圖結構在生物醫學和醫療保健應用中具有靈活性和復雜性 。人們對同質圖的處理做了各種努力，一些工作考慮了更復雜的圖結構，例如異構圖和時空動態圖(在現實的生物醫學場景中 ， 節點和鏈接可能會出現和消失，圖會隨時間動態變化) 。此外，scRNA-seq數據和與領域知識相關的數據也提供了有希望的機會，但這些數據具有復雜的圖表結構 。如何處理面向下游應用的復雜生物醫學圖是一個很有前景的問題 。
4.3 可解釋性和魯棒性生物醫學的風險敏感場景對圖表示學習方法的可解釋性和魯棒性提出了更高的要求，而基于神經網絡的GNN仍然是黑盒，缺乏可解釋性 。因此，解釋深度圖學習結果的能力在決策應用中至關重要 。此外，作為許多基于深度學習的模型，如CV和NLP領域，這些圖表示學習方法容易受到對抗性攻擊 。更強大和可解釋的圖表示學習方法對于將圖表示學習應用于具有可信解釋和可信防御的生物醫學問題非常重要 。
結論圖表示學習將全面的圖結構生物醫學數據和先進的機器學習方法聯系起來，促進了從分子到醫療保健系統的生物醫學研究 。在這項工作中，我們對圖表示學習及其在生物信息學中的應用進行了全面和系統的調查 ?？偨Y了圖嵌入方法(包括同構圖嵌入、異構圖嵌入、屬性網絡嵌入)和新興的GNN(如GRN、GCN、GAE和GGAN) 。我們分析了圖表示學習在分子、基因組學、制藥和醫療保健領域的代表性應用 。此外，還總結了用于圖表示學習的開源平臺和庫 。我們相信這項工作可以促進圖表示學習和生物醫學研究 。
