论文题目：基于边变化图卷积网络的不确定性疾病预测
简介：文章提出了一种可扩展的图卷积框架，该框架可以自动将人群中的影像数据与非影像数据集成在一起，以进行不确定性感知的疾病预测。为了估计与图拓扑相关的预测不确定性，文章提出了蒙特卡洛边缺失的新概念。实验结果表明该方法可以持续显着地提高自闭症谱系障碍、阿尔茨海默氏病和眼部疾病的诊断准确性，这表明可广泛利用多模态数据进行计算机辅助诊断。
提出的方法框架。PAE：成对关联编码器。ED：边缘脱落。GC：图卷积。Fusion：逐顶点级联。图表中绿色和橙色标记为诊断值（例如健康或患病），灰色为未标记；ui：对象i预测的不确定性。
论文地址：http://arxiv.org/pdf/2009.02759.pdf
论文题目：使用多图几何矩阵完成（MGMC）在不完整的医学数据集中同时进行归因和疾病分类
简介：基于大规模人群的医学研究是改善疾病的诊断、监测和治疗的重要资源。为了解决数据丢失的问题，文章提出了通过多图几何矩阵完成（MGMC）对不完整医学数据集进行归因和疾病预测的端到端学习。实验展示了该方法在分类和归因性能方面的优越性，这些发现可作为将来使用不完整数据集的计算机辅助诊断方法的基准。
MGMC使用多个循环图卷积网络，其中每个图代表基于诸如年龄、性别或认知功能等关键临床特征的单体模型。来自本地患者邻域的图信号聚合，再加上通过自注意的多图形信号融合，对矩阵重建和分类性能均具有正则化作用。蓬安门户网
论文地址：http://arxiv.org/pdf/2005.06935.pdf
药物发现和研究
GNN不仅可以在精心设计的基准数据集上胜过先前的方法，而且可以为开发新药从根本上帮助人们和理解自然开辟途径，重点包括蛋白质和结构生物学以及药物发现的进展。今年也有相关研究人员对该领域进行了综述，供更多人的去研究。
论文题目：利用图机器学习药物发现和开发
简介：本文在药物发现和开发的背景下，对该主题进行了多学科的综述。介绍了关键术语和建模方法之后，按时间顺序浏览了药物开发流程，总结了包括以下内容：目标识别、小分子和生物制剂的设计以及药物的再利用。文章还就数据集等问题提出了现有模型的一些挑战。尽管该领域仍在兴起，但图机器学习将成为生物医学机器学习中选择的建模框架。
基于 GNN 的药物发现时间表。
论文地址：http://arxiv.org/abs/2012.05716
报告标题：图神经网络用于药物开发
简介：报告讲述了制药的整个流程，讨论了GNN在制药的第三环节（临床研究）和第五环节（上市后的安全监控）中的应用。报告主要阐述了为什么要用GNN、如何使用GNN以及目前的一些成果，给到读者一个直观、清晰且较为全面的相关知识结构。蓬安门户网
ppt地址：http://grlearning.github.io/slides/zitnik.pdf
论文标题：基于深度学习方法的抗生素发现
简介：在这项工作中，训练了一个名为Chemprop的深层GNN模型，以预测分子是否具有抗生素特性：对细菌大肠杆菌的生长抑制作用。在仅使用FDA批准的药物库中的约2500个分子进行训练后，Chemprop就被应用于更大的数据集，包括包含分子Halicin的Drug Repurposed Hub。这项工作突出了深度学习方法通过发现结构独特的抗菌分子来扩展我们的抗生素库的实用性。
论文地址：http://www.cell.com/cell/fulltext/S0092-8674(20)30102-1?_returnURL=http%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0092867420301021%3Fshowall%3Dtrue
