Key points are not available for this paper at this time.
हाल के वर्षों में, सूक्ष्मजीव-औषधि संघटन भविष्यवाणी में कई उत्कृष्ट गणनात्मक मॉडल उभरे हैं, लेकिन उनके प्रदर्शन में सुधार की गुंजाइश मौजूद है। इस पेपर ने OGNNMDA ढांचे का प्रस्ताव रखा, जिसने प्रत्येक संदेश प्रसारण परत में विभिन्न पड़ोसी जानकारी को वर्गीकृत करने के लिए एक क्रमबद्ध संदेश-प्रदर्शन तंत्र का उपयोग किया, और यह गहरे नेटवर्क परतों के माध्यम से बेहतर एंबेडिंग क्षमता प्राप्त की। सबसे पहले, यह विधि सूक्ष्मजीव कार्यात्मक समानता, औषधि रासायनिक संरचना समानता, और उनके संबंधित गॉसियन इंटरैक्शन प्रोफ़ाइल कर्नेल समानता के आधार पर चार समानता मैट्रिक्स की गणना करती है। इन समानता मैट्रिक्स को एकीकृत करने के बाद, यह एकीकृत समानता मैट्रिक्स को ज्ञात संघटन मैट्रिक्स के साथ मिलाकर सूक्ष्मजीव-औषधि विषम मैट्रिक्स प्राप्त करती है। इसके बाद, यह विषम नेटवर्क और ज्ञात संघटन जानकारी निकटता मैट्रिक्स को एन्कोड करने के लिए एक मल्टी-लेयर क्रमबद्ध संदेश-प्रदर्शन ग्राफ न्यूरल नेटवर्क एन्कोडर का उपयोग करती है, जिससे सूक्ष्मजीव-औषधियों की अंतिम एंबेडिंग विशेषताएँ प्राप्त होती हैं। अंत में, यह एंबेडिंग विशेषताओं को बिलिनियर डिकोडर में इनपुट करती है ताकि अंतिम पूर्वानुमान परिणाम प्राप्त हो सकें। OGNNMDA विधि ने 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग करते हुए aBiofilm, MDAD और DrugVirus डेटा सेट पर तुलनीय प्रयोग, एब्लेशन प्रयोग, और केस स्टडीज़ की। प्रयोगात्मक परिणामों ने दिखाया कि OGNNMDA ने aBiofilm और MDAD पर सबसे मजबूत भविष्यवाणी प्रदर्शन किया और DrugVirus पर उप-श्रेष्ठ परिणाम प्राप्त किए। इसके अतिरिक्त, प्रसिद्ध औषधियों और सूक्ष्मजीवों पर केस अध्ययन भी OGNNMDA विधि की प्रभावकारिता का समर्थन करते हैं। स्रोत कोड और डेटा यहाँ उपलब्ध हैं: https://github.com/yyzg/OGNNMDA।
Zhao et al. (मंगल,) ने इस प्रश्न का अध्ययन किया।