论文标题：基于半二分图模型和深度学习的药物-靶标相互作用预测
简介：识别药物-靶标相互作用是药物发现中的关键要素。在计算机上预测药物与靶标的相互作用可以加快识别药物与靶标蛋白之间未知相互作用的过程。文章提出了一种利用网络拓扑结构并识别相互作用和非相互作用的新药物-靶标相互作用预测框架，该框架从相互作用网络中学习潜在特征，证明了能够学习复杂的药物-靶标拓扑特征。
药物-靶标相互作用预测框架流程图。(a)通过药物-靶标相互作用，药物-药物相似性和蛋白质-蛋白质相似性来构建半二分图。(b)药物靶标正负对样本表示为捕获药物靶标对周围拓扑环境的子图。(c)在每个子图上应用图标记方法，以保留图顶点的顺序。(d)将最终的子图转换为邻接矩阵，并且每个矩阵的上三角代表要嵌入的特征，以训练分类器。(e)训练了一个深度神经网络，并将其用于预测新的药物靶标对。蓬安门户网
论文标题：几何深度学习解密蛋白质分子表面的相互作用指纹
简介：蛋白质结构的分子表面显示出化学模式和几何特征，这些模式和特征可识别蛋白质与其他生物分子相互作用。文章提出了MaSIF（分子表面相互作用指纹），这是一个基于几何深度学习方法的概念框架，用于捕获对于特定生物分子相互作用非常重要的指纹。文章假设参与相似相互作用的蛋白质可能共享共同的指纹。该概念框架将导致对蛋白质功能和设计的理解得到改善。
论文标题：图卷积神经网络从化学结构预测药理活性
简介：许多治疗药物可以用简单的化学结构表示，这些化学结构在作用部位包含重要的亲和力决定因素。在这项研究中，仅从化合物的二维结构信息构建的GCN模型显示了针对ChEMBL数据库中127个不同目标的高度活性可预测性。文章还使用信息熵作为度量标准表明结构多样性对预测性能的影响较小。
COVID-19
2020年医学领域的另一个重要亮点当然是冠状病毒大流行，研究人员成功使用Graph ML方法检测Covid-19，并用药物重新定位的方法预测针对Covid-19药物的疗效。Google Graph Mining团队也在他们的年度报告中提及使用时空GNN建模COVID-19，想要了解更多可以访问http://gm-neurips-2020.github.io/master-deck.pdf。
论文标题：ResGNet-C:用于检测COVID-19的图卷积神经网络
简介：病毒核酸检测和胸部计算机断层扫描（CT）筛查是COVID-19临床诊断应用最广泛的两种技术。病毒核酸测试需要复杂的设备、长时间的测验与高假阴性率，而胸部CT图像报告灵敏度高但需要人为解释，非常耗时且不稳定。文章在ResGNet框架下开发了图卷积神经网络ResGNet-C，以将肺部CT图像自动分类为COVID-19引起的肺炎和正常的肺炎。蓬安门户网
论文地址：http://www.sciencedirect.com/science/article/pii/S0925231220319184
论文标题：用于识别针对COVID-19的药物再利用的医学网络框架
简介：文章提出一种多模式方法，该方法融合了赢咖4、网络扩散和网络邻近性的预测算法，对6340种药物的抗SARS-CoV-2预期疗效进行排名，表明不同预测方法之间的共识始终超过最佳单个算法的性能。实验发现多数药物依赖基于网络的行为，因此无法使用基于靶向对接的策略来识别。这一进展提供了一种方法论，可用于确定因新药开发成本和时长而无法满足的针对未来病原和其他疾病的再定位药物。
论文地址：http://arxiv.org/pdf/2004.07229.pdf
