异质网络、知识图谱与图机器学习

把基因、化合物、疾病、解剖部位、副作用、通路等多种实体和关系放进同一张图，就得到生物医学知识图谱。Himmelstein 等（2017，eLife）构建的 Hetionet v1.0 整合了 29 个公开资源，含 11 类节点、24 类边，共 47,031 个节点和 2,250,197 条边。其 Project Rephetio 以 755 个已知治疗关系为训练标签，用元路径（metapath）作为特征，例如

化合物 –结合→ 基因 –关联→ 疾病

或“化合物 –相似→ 化合物 –治疗→ 疾病”，统计每类元路径连接某化合物与某疾病的路径数（并按路径上节点的度做降权），训练分类器预测新的治疗关系，为 209,168 个化合物–疾病对给出治疗概率，并在两个外部治疗关系集合上验证。

图神经网络（graph neural network, GNN）进一步把多类关系的预测变成端到端学习，例如 Decagon（Zitnik 等，2018，Bioinformatics）在蛋白–药物多关系图上预测药物组合的副作用，每种副作用是一类药物–药物边。链路预测与知识图谱嵌入的一般方法见下一页；图机器学习的发展前景另见结果呈现与研究前沿。