【详细原理与应用】

生物中的图数据
1. 蛋白质相互作用网络（PPI）：节点是蛋白质，边是物理相互作用
2. 基因调控网络：节点是基因，边是调控关系
3. 药物-靶点网络：二分图，连接药物和靶点蛋白质
4. 代谢网络：节点是代谢物，边是生化反应
GNN在生物信息学中的应用
1. 蛋白质功能预测：在PPI网络上，利用邻居蛋白质的功能预测目标蛋白质的功能
- 方法：GCN、GraphSAGE
- 输入：PPI网络 + 蛋白质特征（序列、结构）
- 输出：GO功能注释
2. 药物重定位（Drug Repositioning）：预测已知药物的新适应症
- 方法：图注意力网络（GAT）在药物-疾病网络上
- 利用网络中已有的药物-疾病关联，预测新的关联
3. 分子性质预测：将分子表示为图（原子为节点，化学键为边）
- 方法：GNN（GCN、GAT、MPNN）
- 应用：毒性预测、溶解度预测

# 示例: 使用PyTorch Geometric进行蛋白质功能预测
"""
pip install torch-geometric
"""
import torch
import torch.nn.functional as F
from torch_geometric.nn import GCNConv
from torch_geometric.data import Data
class GCN(torch.nn.Module):
    def __init__(self, num_features, hidden_dim, num_classes):
        super().__init__()
        self.conv1 = GCNConv(num_features, hidden_dim)
        self.conv2 = GCNConv(hidden_dim, num_classes)
    def forward(self, data):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x, edge_index)
        x = F.relu(x)
        x = F.dropout(x, training=self.training)
        x = self.conv2(x, edge_index)
        return F.log_softmax(x, dim=1)
# 创建模拟的PPI网络数据
# 节点特征: 蛋白质的序列特征 (100维)
# 边: 蛋白质相互作用
num_nodes = 1000
num_features = 100
num_classes = 10  # 10个功能类别
x = torch.randn(num_nodes, num_features)
edge_index = torch.randint(0, num_nodes, (2, 5000))  # 5000条边
y = torch.randint(0, num_classes, (num_nodes,))
data = Data(x=x, edge_index=edge_index, y=y)
model = GCN(num_features, 64, num_classes)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)
# 训练
model.train()
for epoch in range(100):
    optimizer.zero_grad()
    out = model(data)
    loss = F.nll_loss(out, data.y)
    loss.backward()
    optimizer.step()
    if epoch % 20 == 0:
        print(f"Epoch {epoch}, Loss: {loss.item():.4f}")