Графовые нейронные сети и их современные применения в биоинформатике

Графовые нейронные сети (GNN), как ветвь глубокого обучения в неевклидовом пространстве, демонстрируют особенно высокую эффективность в различных задачах, обрабатывающих данные с графовой структурой. В связи с быстрым накоплением данных биологических сетей GNN также стали важным инструментом в биоинформатике. В данном исследовании представлен систематический обзор GNN и их достижений в биоинформатике с нескольких точек зрения. Сначала мы вводим некоторые общеупотребительные модели GNN и их основные принципы. Затем предложены три репрезентативные задачи, основанные на трёх уровнях структурной информации, которую могут усваивать GNN: классификация узлов, предсказание связей и генерация графов. В то же время, в соответствии со специфическими приложениями для различных омics-данных, мы классифицируем и обсуждаем соответствующие исследования в трёх аспектах: прогнозирование заболеваний, открытие лекарств и биомедицинская визуализация. На основе анализа мы даём перспективу по недостаткам текущих исследований и указываем их перспективы развития. Хотя GNN на сегодняшний день показали отличные результаты во многих биологических задачах, они по-прежнему сталкиваются с проблемами обработки данных плохого качества, методологических вопросов и интерпретируемости и имеют долгий путь впереди. Мы считаем, что GNN представляют собой перспективный метод для решения различных биологических задач в исследованиях по биоинформатике.