垃圾就应该待在垃圾桶里的博客

原创 欢迎投稿关注

最近新创建了一个公众号，用于介绍一些应用生物信息学的人工智能算法和研究进展以及网络表示学习算法研究。欢迎大家关注投稿，解析自己的or自己组的or自己阅读的论文

原创 文献阅读总结：网络表征学习、网络表示嵌入方向的论文

本文是对生物网络方向的已读文献的归纳总结，长期更新欢迎做生物信息学、计算生物学、复杂网络计算、图表示学习的同学联系加群讨论，互帮互助，需要文献的请联系论文1：Graph attention networks (GAT)论文解析论文2：Graph Representation Learning via Hard and Channel-Wise Attention Networks论文解析论文3：AM-GCN: Adaptive Multi-channel Graph Convolutional

原创 文献阅读总结：生物网络方向的论文

本文是对生物网络方向的已读文献的归纳总结，长期更新欢迎做生物信息学、计算生物学、复杂网络计算、图表示学习的同学联系加群讨论，互帮互助，需要文献的请联系文章目录论文1 ：Predicting human microbe–disease associations via graph attention networks with inductive matrix completion（通过带非负矩阵补全的图注意力进行预测人类microbe-疾病关联）论文2：Identifying drug–targe

原创 [NC|论文简读] UnitedNet: 用于多模式生物数据分析的可解释的多任务学习

目前的生物技术可以同时测量同一细胞的多种高维模态（如RNA、DNA可及性和蛋白质）。需要结合不同的分析任务（如多模态整合和跨模态分析）来全面了解这些数据，推断基因调控如何驱动生物多样性和功能。然而，目前的分析方法被设计为执行单一任务，只能提供多模式数据的部分情况。在这里，我们提出了UnitedNet，一个可解释的多任务深度神经网络，能够整合不同的任务来分析单细胞多模态数据。

原创 [BiB|论文简读] DGP-PGTN：端到端可解释的疾病基因关联预测

识别疾病基因关联是理解分子机制、疾病诊断和治疗的一项基本和关键的生物医学任务。通过实验验证疾病和基因之间的因果关系既费时又昂贵。最近，深度学习方法在识别遗传疾病的候选基因方面取得了巨大的成功。基因预测问题可以建模为基于基因-疾病图的节点和边的特征的链接预测问题。然而，现有的研究大多是基于单一数据源构建同构网络或基于多源数据构建异构网络，人为定义元路径，以学习疾病和基因的网络表示。前者无法利用丰富的多源异构信息，而后者在定义元路径时需要领域知识和经验，模型的准确性在很大程度上取决于元路径的定义。

原创 TCBB|用于lncRNA-miRNA相互作用预测的计算方法和数据库的调查（综述）

长非编码RNAs（lncRNAs）和microRNAs（miRNAs）是目前研究中两种普遍的非编码RNAs。它们在动物和植物的生命过程中起着关键的调节作用。研究表明，lncRNAs可以与miRNAs相互作用，参与转录后的调控过程，主要参与调控癌症的发展、转移性进展和耐药性。此外，这些相互作用对植物的生长、发育以及对生物和非生物胁迫的反应有重大影响。破译lncRNAs和miRNAs之间的潜在关系可能为我们了解lncRNAs和miRNAs的生物学功能以及复杂疾病的发病机制提供新的见解。

原创 生物信息学期刊2023更新版

生物信息学期刊2023更新版

原创 CBM|用于lncRNA-疾病关联预测的数据资源和计算方法（综述）

CBM|用于lncRNA-疾病关联预测的数据资源和计算方法（综述）

原创 BIB|LDAformer：基于拓扑特征提取和Transformer编码器的lncRNA-疾病预测

BIB|LDAformer：基于拓扑特征提取和Transformer编码器的lncRNA-疾病预测

原创 Bioinformatics|MGPLI：探索蛋白质-配体相互作用预测的多粒度表示

Bioinformatics|MGPLI：探索蛋白质-配体相互作用预测的多粒度表示（protein-ligand）

原创 Bioinformatics|BRWCP：异构信息中修正不完全信息影响的药物-蛋白相互作用预测

Bioinformatics|BRWCP：异构信息中修正不完全信息影响的药物-蛋白相互作用预测（drug-protein prediction）

原创 Latex编写时会遇到在作者名字上字母上加一声，二声，三声、四声或两点等标志

Latex编写时会遇到在作者名字上字母上加一声，二声，三声、四声或两点等标志

原创 excel表转成PDF文档

最近有个excel表需要转成PDF文档，也在网上搜索了一些方法：一、比如另存为.pdf格式，想想谁不会这招啊，关键这招转的时候有问题，才去百度搜索啊。（至于什么问题，我碰到的问题就是容易少列）。二、就是导出.pdf文档，如下操作但是它同样有问题啊，自己也知道就是操作，就是有问题才去百度的哎。（我碰到的问题就是转出来的pdf中的文字较小，显示不出完成的字，当然可能是我的单元格问题）三、就是使用各种转换软件（要么免费，要么要钱），同样也是有问题。四、后来我想了一下，将excel表转成word文档后，

原创 决策树简介/PPT

最近给我们组新生讲了决策树的相关知识，以下是所做的PPT，参考了网络资源。

原创 Node Similarity Preserving Graph Convolutional Networks(一种保持节点相似度的图卷积网络)

转载：公众号：AI in Graph

原创 MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events论文解析

MDNN: A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events论文解析(MDNN：一种用于预测药物互作事件的多模态深度神经网络)由中南大学高建良老师组发表在2021IJCAI上文章目录Abstract1 Introduction二、使用步骤1.引入库2.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成

原创 分类模型评估指标

对于构建好的机器学习模型，需要对模型的效果进行评估，对于机器学习中的3大类问题，分类，回归，聚类而言，各自有不同的评估指标，本文主要介绍分类模型常用的评估指标。以二分类问题为例，考虑真实分类和模型预测的组合，会出现以下4种结果上述矩阵称之为混淆矩阵，是一个N X N的方阵，其中N表示类别数。对于二分类而言，就是2 X 2的矩阵，其中TP 对应 true positive, 真阳性，真实分类为正，模型预测也为正TN 对应 true negative, 真阴性，真实分类为反，模型预测也为反

原创 交叉验证的三种方法

在机器学习中，数据集可以划分为以下3类训练集，traning data验证集，validation data测试集，test data将数据集进行划分是非常必要的，如果所有的数据都作为训练集的话，不可避免的会遇到过拟合的问题，所以我们还需要另外的数据对训练集得到的模型的结果进行评估和验证。一般按照6：2：2的比例进行划分。三者的关系如下训练集用于训练模型，验证集用于评估模型，调整模型超参数，测试集则用于评估最后生成的模型的效果。其中验证集是非必需的。利用验证集来评估模型效果，调整超参数的过

原创 12个 pip 命令

引言Pip 是 Python 的一个包管理工具。它的最常见用途是安装软件包，但还有一些其他有用的命令各位同学可能不知道，本文我们就来介绍一下~1. 更新 pippython -m pip install --upgrade pip2. 安装软件包pip install <package-name>例如我想安装 pandas，一个 Python 包，我会输入以下命令:pip install pandas3. 更新包pip install -U <package nam

转载 手把手教学endnote设置毕业论文参考文献格式（特别完整）

https://mp.weixin.qq.com/s/CnYCRAJ72tdnFvlSBsLquQhttps://mp.weixin.qq.com/s/7fWZoV4GzbAIZphGxd-9fg（这是上一个链接的后续设置）

原创 #torch.bmm()函数解读

计算两个tensor的矩阵乘法，torch.bmm(a,b),tensor a 的size为(b,h,w),tensor b的size为(b,w,h),注意两个tensor的维度必须为3.

原创 Endnote插入参考文献时中英文混排字体设置

以这两个参考为例，具体讲解，目前中文是等线，英文是Times，现在我们将中文设置成宋体。1、点击开始—点击样式中的箭头所指地方2、右击EndNote Bibliography——然后点击修改，会出现下图所示3、改成宋体，点击确定即可4、显示，可以看到中文已经改成宋体5、改英文的话，会有许多方法，下面讲一种简单的6、显示，已经是我们想要的了，中文宋体，英文Times...

原创 Graph Transformer Networks（图Transformer网络）

Graph Transformer Networks与2019年发表在NeurIPS上文章目录摘要一、Introduction二、Related Works三、Method3.1准备工作3.2 Meta-Path Generation3.3 Graph Transformer NetworksConclusion个人总结摘要图神经网络(GNNs)已被广泛应用于图形的表示学习，并在节点分类和链路预测等任务中取得了最先进的性能。然而，大多数现有的神经网络被设计来学习固定和同构图上的节点表示。当学习由各

原创 LncRNADisease：IncRNA相关疾病数据库简介

LncRNA对于理解生命科学，尤其是疾病至关重要。LncRNADisease数据库整理了实验支持的lncRNA-疾病关联数据的资源，还整合了用于预测新型lncRNA-疾病关联的工具该数据，旨在提供人类lncRNA的全面功能注释。长非编码RNA疾病数据库LncRNADisease是北京大学健康科学中心生物医学信息学系崔庆华博士首次创建并发布的，收录了529种和长非编码RNA有关的疾病，并集成了一个生物信息学工具用以预测新的人类长非编码RNA和疾病的关系。详细信息如下：LncRNADisease网址：h

原创 An end-to-end heterogeneous graph representation learning-based framework for drug–target interactio

An end-to-end heterogeneous graph representation learning-based framework for drug–target interaction prediction（一种端到端异构图表示学习的基于药物-靶标相互作用预测的框架）由西北工业大学彭老师组发在BIB上的一篇论文文章目录Abstract一、Introduction二、MethodologyConstruct a heterogeneous network2.Heterogeneous n

原创 Pycharm中如何调整窗口背景颜色（黑白颜色）

1.打开界面左上角的file2.打开file中的settings3.打开settings中的Editor，打开Color Scheme4.选择后点击OK就行5.颜色简介Default--------白色背景Darcula-------黑色背景

原创 GraphSAD:learning graph representations with structure-attribute disentanglement（使用结构-属性解缠的方法学习图表示）

文章目录摘要一、Introduction二、问题的定义和初步2.1 问题定义2.1 初步三、使用结构-属性解缠学习图表示3.1 INPUT-SAD:输入的结构-属性解纠缠3.2 embedded - SAD:嵌入式的结构-属性解缠3.3 SAD-METRIC:结构-属性解缠度量3.4理论分析总结摘要图神经网络(GNNs)通过聚合邻近节点的属性来学习有效的节点/图表示，这些邻近节点通常派生出一个混合了图结构和节点属性信息的单一表示。然而，这两种信息在语义上可能不一致，并且可能对不同的任务有用。在本文中，

原创 GAERF: predicting lncRNA-disease associations by graph auto-encoder and random forest（通过图自动编码器和随机森林）

GAERF: predicting lncRNA-disease associations by graph auto-encoder and random forest（通过图自动编码器和随机森林预测lncRNA-疾病的关联）是2021年才接收的论文，由安徽大学郑老师组的发表在Briefings in Bioinformatics上文章目录摘要一、Introduction二、Materials and methods1.Matrix representation2.Construction of LM

原创 全连接层的作用是什么？

全连接层到底什么用？我来谈三点。（1）全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽（注1）。（2）目前由于全连接层参数冗

原创 2020 中国软件 100 强企业名单（计算机找工作的可以瞅瞅）

原创 Pycharm中关闭SciView窗口显示图片

1、打开file2、打开file当中的setting3、tools当中的python sciendific4、将勾点掉，点击OK即可

原创 python、深度学习等代码错误集合

1、RuntimeError: cuda runtime error (710) : device-side assert triggered at C:/w/1/s/tmp_conda_3.7_104508/conda/conda-bld/pytorch_1572950778684/work/aten/src\THC/generic/THCTensorMath.cu:26解决办法：检查一下自己的类别，是否与输出类别不一致...

原创 如何将知网上下载的KDH论文，CAJ reviewer 阅读器打开，转成PDF

知网有个“特色”，就是某些文献（尤其是学位论文）只能用其自带的CAJ reviewer 阅读器打开，因为这些文献下载格式只有KDH（知网自研产品）而没有PDF。这样就导致每次看文献，得开个PDF阅读器，同时打开CAJ阅读器专门看知网的这些文献，切换使用。一、教程1. 打开CAJ 阅读器，然后打开一篇KDH格式的文献。2. 点击左上角“文件”，选择打印按钮。3. 在弹出的打印设置界面选择如下4. 点击确定，等待打印即可参考：聊点学术...

原创 基于Python计算余弦相似性

余弦相似度：在我们计算相似度时，常常用到余弦夹角来判断两个向量或者矩阵之间的相似度，Cosine（余弦相似度）取值范围[-1,1]，当两个向量的方向重合时夹角余弦取最大值1，当两个向量的方向完全相反夹角余弦取最小值-1，两个方向正交时夹角余弦取值为0。x1x_1x1​ 和 x2x_2x2​ 分别是输入的两个向量。基于python的代码：import numpy as npx_1 = np.array([1,3,6,2,3,6])x_2 = np.array([3,4,1,5,7,8])

原创 AM-GCN: Adaptive Multi-channel Graph Convolutional Networks（论文解析）

AM-GCN: Adaptive Multi-channel Graph Convolutional Networks（论文解析，这是今年发表在ACM SIGKDD上的一篇文章）文章目录摘要一、Introduction二、GCNS的融合能力:实验研究2.1 Case 1: Random Topology and Correlated Node Features2.2 Case 2: Correlated Topology and Random Node Features三、 AM-GCN: THE P.

原创 Biological network analysis with deep learning（使用深度学习的生物网络分析）

Biological network analysis with deep learning（使用深度学习的生物网络分析）很少有关于生物网络的综述类论文，这是今年发在 Briefings in Bioinformatics期刊上的一篇。随着深度学习的发展及广泛应用，这篇论文可以读读看。文章目录摘要一、Introduction二、使用步骤1.引入库2.读入数据总结摘要实验高通量技术的最新进展扩大了生物学中分子数据的可用性和数量。鉴于生物过程中相互作用的重要性，例如蛋白质之间的相互作用或化合物中的键，

原创 Deep-DRM a computational method for identifying disease-related metabolites based on graph dee（论文解析）

Deep-DRM a computational method for identifying disease-related metabolites based on graph deep learning approaches论文解析（Deep-DRM:一种基于图形深度学习方法的识别疾病相关代谢物的计算方法）由哈尔滨医科大学 发表在《Briefings in Bioinformatics》文章目录摘要一、Introduction二、Methods1.Construction of networks2

转载 python画图常用的颜色以及标记

‘.’ point marker‘,’ pixel marker‘o’ circle marker‘v’ triangle_down marker‘^’ triangle_up marker‘<’ triangle_left marker‘>’ triangle_right marker‘1’ tri_down marker‘2’ tri_up marker‘3’

原创 A graph auto-encoder model for miRNA-disease associations prediction 论文解析

A graph auto-encoder model for miRNA-disease associations prediction（用于miRNA-disease关联预测的图自动编码模型）该文章由中科院新疆理化所的尤老师组，发表在《Briefings in Bioinformatics》期刊上文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器

原创 Sci-hub最新变种网址

SCI-HUB网址有时候是不稳定的，这里提供几个新的变种网址：http://sci-hub.sehttp://sci-hub.ishttps://gfsoso.99lb.net/sci-hub.htmlhttps://sci-hub.shop/https://sci-hub.renhttps://sci-hub.tw/https://sci-hub.se/