AI抗疫

综合调研：

https://zhuanlan.zhihu.com/p/200557420?utm_source=wechat_session&utm_medium=social&utm_oi=868041377160781824&s_r=0

https://zhuanlan.zhihu.com/p/136686518?utm_source=wechat_session&utm_medium=social&utm_oi=868041377160781824

https://mp.weixin.qq.com/s/4-mcI6ipFgcYg3E0lJdG_w

https://mp.weixin.qq.com/s/wT4cDaEZRqDJxbhskGQ14Q

0. 面向生物学和医学的网络表征学习：进展、挑战和机遇。(图网络相关)

Representation Learning for Networks in Biology and Medicine: Advancements, Challenges, and Opportunities

表征学习在提供强大的预测和数据洞察力方面，取得了显著的成功，我们见证了表征学习技术迅速扩展到网络的建模、分析和学习。生物医学网络是交互元素系统的通用描述器，从蛋白质相互作用到疾病网络，一直到医疗系统和科学知识。本篇综述中，提出一个观点，即网络生物学和医学的长效原则——虽然在机器学习研究中往往没有讲出来——可以为表征学习提供概念基础，解释其当前的成功和局限性，并揭示其未来的发展。综述了一系列算法，核心是利用拓扑特征将网络嵌入到紧凑的向量空间中。提供了一个可能从算法创新中获益最多的生物医学领域的分类法。表征学习技术正在成为识别复杂性状背后的因果变异、拆解单细胞行为及其对健康的影响，以及用安全有效的药物诊断和治疗疾病的关键。

https://weibo.com/1402400261/Kbz0O71sl

https://arxiv.org/abs/2104.04883

1.通过强化学习设计预期的COVID-19治疗药物     NIPS2020

https://arxiv.org/pdf/2012.01736v1.pdf

Designing a Prospective COVID-19 Therapeutic with Reinforcement Learning 

SARS-CoV-2大流行引发了一场全球性的治疗竞赛。一种方法是设计一种新的人类血管紧张素转换酶2（ACE2）变体，它与SARS-CoV-2棘突蛋白结合更紧密，并将其从人类细胞中转移出去。在这里，我们提出了一个新的蛋白质设计框架作为强化学习问题。我们通过一个快速的，基于生物学的奖励函数和连续动作空间公式的结合，有效地生成新的设计。与标准方法相比，策略梯度的使用将达到一致、高质量设计所需的计算预算至少减少一个数量级。用这种方法设计的配合物已通过分子动力学模拟验证，证实了其稳定性的提高。这表明将领先的蛋白质设计方法与现代深度强化学习相结合是发现Covid-19治疗方法的可行途径，并可能加速基于肽的其他疾病治疗方法的设计。

2. COVID-19的移动网络模型解释了不公平现象并为重新开放提供了信息    Nature

Mobility network models of COVID-19 explain inequities and inform reopening

2019年冠状病毒病（COVID-19）大流行显著改变了人类的流动模式，因此需要建立流行病学模型，以捕捉这些流动性变化对严重急性呼吸综合征冠状病毒2（SARS-CoV-2）传播的影响1。在这里，我们介绍了一个集合人群易感-暴露-感染-去除（SEIR）模型，该模型集成了细粒度的动态流动网络，以模拟SARS-CoV-2在美国十大大都市地区的传播。我们的移动网络来自移动电话数据，并绘制了9800万人每小时从社区（或普查区组）到餐馆和宗教机构等兴趣点的移动地图，将56945个普查区组连接到552758个兴趣点，每小时移动54亿次。我们表明，通过整合这些网络，一个相对简单的SEIR模型可以准确地拟合真实的案例轨迹，尽管随着时间的推移人口的行为发生了实质性的变化。我们的模型预测，少数“超级传播者”感兴趣的点占了感染的绝大多数，限制每个感兴趣点的最大占有率比统一减少流动性更有效。我们的模型也正确地预测了弱势种族和社会经济群体中较高的感染率2,3,4,5,6,7,8仅仅是流动性差异的结果：我们发现弱势群体并没有能够大幅降低他们的流动性，他们访问的兴趣点更拥挤，因此与更高的风险相关。通过捕捉谁在哪个地方被感染，我们的模型支持详细的分析，可以提供对COVID-19更有效和公平的政策反应。

https://cs.stanford.edu/people/jure/        https://covid-mobility.stanford.edu//

https://www.nature.com/articles/d41586-020-02964-4

https://www.nature.com/articles/s41586-020-2923-3

3.利用图挖掘和基于Transformer的学习加速冠状病毒研究

Accelerating COVID-19 research with graph mining and transformer-based learning

作者：Ilya Tyagin,Ankit Kulshrestha,Justin Sybrandt,Krish Matta,Michael Shtutman,Ilya Safro

机构*：Center for Bioinformatics Computer and Information, and Computational Biology, Clemson University, Clemson, SC, Wilmington,DE, Newark, DE, Drug Discovery and Computer and Information, Biomedical Sciences, University of S. Carolina University of Delaware, Columbia, SC

4.利用图机器学习药物发现和开发

https://arxiv.org/abs/2012.05716

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。

5. 基于半二分图模型和深度学习的药物-靶标相互作用预测

https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-020-3518-6

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。

6.图卷积神经网络从化学结构预测药理活性

https://www.nature.com/articles/s41598-020-80113-7?from=from_parent_mindnote

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。

7. 用于识别针对COVID-19的药物再利用的医学网络框架

https://arxiv.org/pdf/2004.07229.pdf

文章提出一种多模式方法，该方法融合了人工智能、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。

8. 利用自监督边缘特征和图形神经网络研究SARS-CoV-2感染和COVID-19严重程度

https://arxiv.org/pdf/2006.12971v1.pdf

图神经网络（GNN）被广泛应用于从图结构数据中提取有意义的表示，以及执行节点分类和链路预测等预测任务。近年来，已有大量的工作将边缘特征和节点特征结合起来用于预测任务。在这项工作中，我们提出了一个框架来创建新的边缘特征，通过结合自我监督和无监督学习，然后我们使用与节点特征节点分类任务。我们对体外SARS-CoV-2感染和人类COVID-19患者的单细胞RNA测序数据进行了验证。我们证明了我们的方法比基线图注意网络（GAT）和图卷积网络（GCN）模型有更好的性能。此外，鉴于对边缘和淋巴结特征的注意机制，我们能够解释决定COVID-19病程和严重程度的细胞类型和基因，有助于获得越来越多的潜在疾病生物标志物和治疗靶点。

Gaining insight into SARS-CoV-2 infection and COVID-19 severity using self-supervised edge features and Graph Neural Networks

https://arxiv.org/abs/2104.04883https://arxiv.org/abs/2104.04883