综述阅读笔记：生物网络分析及深度学习

深度学习技术在生物网络分析中的应用研究

Abstract

随着实验高通量技术的不断演进，生物学领域中分子数据的可获取性与规模得到了显著提升。由于生物过程中的相互作用关系具有重要意义，比如蛋白质间的相互作用或化合物内部的化学键，这类信息通常被转化为生物网络的形式加以呈现。数据量的增长促使研究者迫切需要开发新的计算手段来处理和分析这些网络结构。当前该领域的研究热点之一是借助深度学习技术达成这一目的，尤其是采用能够处理网络结构的方法，即图神经网络（GNN）。本文中，我们将介绍生物网络的基本概念，并对GNN的核心原理及其基础算法进行回顾。随后，文章将探讨在生物信息学研究中广泛应用图神经网络的多个方向，例如蛋白质功能预测、蛋白质-蛋白质相互作用识别、电子药物的研发与创新等。最后，我们将重点阐述在基因调控网络构建以及疾病诊断等应用场景中，深度学习正逐步成为一种新型工具，能够从海量数据中解析出基因互作预测和自动化疾病诊断等传统难题的答案。

1 Introduction

理解众多生物过程不仅需要掌握生物实体本身，还需明确其相互之间的联系。以细胞分化为例，这一过程不仅依赖于蛋白质的存在，还与特定蛋白质之间的相互作用密切相关。为了自然地表达这类关系，图形（也称网络）是一种有效的形式，因为图形能够对两个实体及其交互关系进行建模。

随着实验高通量技术的持续进步，交互筛选的数据产出