集成多模态和局部-全局自监督学习在药物发现中取得最佳性能｜Nat. Mach. Intell. 速递

关键词：生物医学网络，多模态深度学习，药物发现，自监督学习，图机器学习

论文题目：Multitask joint strategies of self-supervised representation learning on biomedical networks for drug discovery

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-023-00640-6

生物医学网络上的自监督表示学习（Self-supervised representation learning, SSL）为药物发现提供了新的机会；然而，有效地结合多种自监督表示学习模型仍然具有挑战性，并且很少被探索。

最新发表于 Nature Machine Intelligence 的这篇文章，提出了用于药物发现的生物医学网络上的自监督表示学习的多任务联合策略，名为 MSSL2drug。研究人员设计了六个基本的自监督表示学习任务，其灵感来自于各种模式的知识，包括异质生物医学网络的结构、语义和属性。重要的是，在两个药物发现场景中，作者使用基于图注意力的多任务对抗学习框架，对多个任务的 15 种组合进行了评估。

结果表明两个重要的发现：（1）多模态任务的组合比其他多任务联合模型取得更好的性能；（2）当有相同数量的模态时，局部-全局组合模型比随机双任务组合具有更好的性能。因此，多模态和局部-全局组合策略可以作为药物发现的多任务自监督表示学习模型的准则。