利用初始残差和解耦操作的自适应深层图卷积

传统的图卷积网络(GCN)及其很多变体都是在浅层时达到最佳的效果,而没有充分利用图中节点的高阶邻居信息.随后产生的深层图卷积模型可以解决以上问题却又不可避免地产生了过平滑的问题,导致模型无法有效区分图中不同类别的节点.针对此问题,提出了一种利用初始残差和解耦操作的自适应深层图卷积模型ID-AGCN.首先,对节点的表示转...     

基于知信图卷积神经网络的开放域知识图谱自动构建模型

解决多源知识对齐和知识冗余问题是在开放数据域自动构建知识图谱的关键。建立一种融合知信学习与深度学习的知识图谱自动构建模型。分析图卷积神经网络（GCN）模型与知信学习之间的理论联系,以先验知识与深度学习相结合的方式构建实体语义联合空间,将先验知识对模型的干预形式化,并利用自动编码器实现一个细粒度的实体对齐和关系抽取模型。同时,采用GCN与多头注意力相结合的方式,缓解因结构数据中多跳推理造成实体依赖信息丢失的影响。在开源数据集SemEval、FB15k和收集整理的MD数据集上的实验结果表明,该模型针对关系抽取、实体对齐和三元组抽取任务的F1值分别达到89.5%、86.6%和84.2%,较BERT-Softmax模型分别提升了0.3、2.4和0.3个百分点,具有更好的信息学习能力。     

基于混合图神经网络的方面级情感分类

目前在方面级情感分类研究中,图卷积网络被应用于句法依赖树上构建方面词与上下文词的依赖关系。但是由于句法依赖树的不稳定性和语句的复杂性与不规范表达,这种改进较为有限。为解决上述问题,提出了一种基于混合图神经网络模型。在该模型中,为了深度提取方面词与上下文词的依赖关系,设计了应用于句法依赖树的多层图卷积网络。同时为提取词级依赖特征,设计了具有残差连接的图注意力网络（Res-GAT）,其主要思想为以词级依赖关系特征作为补充,结合句法依赖关系进行方面级情感分类。通过在五个经典数据集上实验,证明了该模型相较于基线模型具有更优异的分类能力。     

连续图卷积视频烟雾检测模型

目的 视频烟雾检测在火灾预警中起到重要作用,目前基于视频的烟雾检测方法主要利用结构化模型提取烟雾区域的静态和动态特征,在时间和空间上对烟雾信息作同等或相似处理,忽略了视频数据在时间线上的连续性和特征的非结构化关系。图卷积网络（GCN）与神经常微分方程（ODE）在非欧氏结构与连续模型处理上具有突出优势,因此将二者结合提出了一种基于视频流和连续时间域的图烟雾检测模型。方法 目前主流的视频烟雾检测模型仍以离散模型为基础,以规则形式提取数据特征,利用ODE网络构建连续时间模型,捕捉视频帧间的隐藏信息,将原本固定时间跨度的视频帧作为连续时间轴上的样本点,充分利用模型的预测功能,补充帧间丢失信息并对未来帧进行一定程度的模拟预测,生成视频帧的特征并交给图卷积网络对其重新建模,最后使用全监督和弱监督两种方法对特征进行分类。结果 分别在2个视频和4个图像数据集上进行训练与测试,并与最新的主流深度方法进行了比较,在KMU （Korea Maritime University）视频数据集中,相比于性能第2的模型,平均正样本正确率（ATPR值）提高了0.6%;在2个图像数据集中,相比于性能第2的模型,正确率分别提高了0.21%和0.06%,检测率分别提升了0.54%和0.28%,在视频单帧图像集上正确率高于第2名0.88%。同时也在Bilkent数据集中进行了对比实验,以验证连续隐态模型在烟雾动态和起烟点预测上的有效性,对比实验结果表明所提连续模型能够有效预测烟雾动态并推测烟雾起烟点位置。结论 提出的连续图卷积模型,综合了结构化与非结构化模型的优势,能够获得烟雾动态信息,有效推测烟雾起烟点位置,使烟雾检测结果更加准确。     

基于邻域选择策略的图卷积网络模型

邻域的组成对于基于空间域的图卷积网络（GCN）模型有至关重要的作用。针对模型中节点邻域排序未考虑结构影响力的问题,提出了一种新的邻域选择策略,从而得到改进的GCN模型。首先,为每个节点收集结构重要的邻域并进行层级选择得到核心邻域;然后,将节点及其核心邻域的特征组成有序的矩阵形式;最后,送入深度卷积神经网络（CNN）进行半监督学习。节点分类任务的实验结果表明,该模型在Cora、Citeseer和Pubmed引文网络数据集中的节点分类准确性均优于基于经典图嵌入的节点分类模型以及四种先进的GCN模型。作为一种基于空间域的GCN,该模型能有效运用于大规模网络的学习任务。     

基于图卷积神经网络的串联质谱从头测序

在蛋白质组学中从头测序是串联质谱肽段测序的重要方法之一，其具有不依赖于蛋白质数据库的优势，并在测定未知物种蛋白序列、单克隆抗体测序等领域中起着关键作用。然而由于从头测序的复杂性，导致其测序的准确率远低于数据库搜索方法，制约了从头测序的广泛应用。针对从头测序准确率低的问题，提出一种基于图卷积神经网络（GCN）的从头测序方法denovo-GCN。该方法将质谱中谱峰之间的关系用图结构表示，并从每个相应的肽碎裂位点提取谱峰特征，然后通过GCN预测当前碎裂位点处的氨基酸类型，最后逐步组成完整的肽序列。通过实验确定了GCN模型的层数、离子类型组合和测序使用的谱峰数量这3个影响模型的重要参数，并将多个物种数据集用于实验对比。实验结果表明，该方法在肽水平上的召回率比基于图论的从头测序方法Novor、pNovo提高了4.0~21.1个百分点，比基于卷积神经网络（CNN）和长短期记忆（LSTM）网络的DeepNovo提高了2.1~10.7个百分点。     

In vitro cytotoxicity of in-situ synthesized zinc oxide anchored graphitic carbon nanofiber on HeLa cells

A simple co-precipitation method was developed to synthesize the zinc oxide (ZnO) nanoparticles (NPs) anchored graphitic carbon nanofiber (GCN) hybrid. X-ray diffraction (XRD) analysis revealed the good crystalline nature of hybrids. The attached ZnO NPs to the GCN was identified by transmission electron microscopy (TEM). The purity of the GCN and GCNZnO hybrids were examined by micro Raman studies. In vitro cytotoxicity of the hybrid was carried out using HeLa cell culture system with different dosages. The enhanced growth inhibition and cell death was observed as a function of concentration of hybrid. Evidently, the hybrid has shown potent cytotoxicity against HeLa cells than that of the pristine ZnO and functionalized GCN. This is manifested because of the higher reactive surface area and synergistic effect of the hybrid, which leads to greater interactions with the cells.     

GCN5 Potentiates Glioma Proliferation and Invasion via STAT3 and AKT Signaling Pathways

The general control of nucleotide synthesis 5 (GCN5), which is one kind of lysine acetyltransferases, regulates a number of cellular processes, such as cell proliferation, differentiation, cell cycle and DNA damage repair. However, its biological role in human glioma development remains elusive. In the present study, we firstly reported that GCN5 was frequently overexpressed in human glioma tissues and GCN5 was positively correlated with proliferation of cell nuclear antigen PCNA and matrix metallopeptidase MMP9. Meanwhile, down-regulation of GCN5 by siRNA interfering inhibited glioma cell proliferation and invasion. In addition, GCN5 knockdown reduced expression of p-STAT3, p-AKT, PCNA and MMP9 and increased the expression of p21 in glioma cells. In conclusion, GCN5 exhibited critical roles in glioma development by regulating cell proliferation and invasion, which suggested that GCN5 might be a potential molecular target for glioma treatment.     

XV. Yeast sequencing reports. A 29·425 kb segment on the left arm of yeast chromosome XV contains more than twice as many unknown as known open reading frames

The nucleotide sequence of a 29·425 kb fragment localized on the left arm of chromosome XV from Saccharomyces cerevisiae has been determined. The sequence contains 13 open reading frames (ORFs) of which four encode the known genes ADH1, COQ3, MSH2 and RCF4. Predictions are made concerning the functions of the unknown ORFs. Some of the ORFs contain sequences similar to expressed sequences tags (EST) found in the database made available by TIGR. In particular, the highly expressed ADH1 gene is represented in this database by no less than 20 EST sequences. Two ARS sequences and a putative functional GCN4 motif have also been detected. One ORF (O0953) containing nine putative transmembrane segments is similar to a hypothetical membrane protein of Arabidopsis thaliana. Characteristic features of the other ORFs include ATP/GTP binding sites, a fungal Zn(2)-Cys(6) binuclear centre, an endoplasmic reticulum targeting sequence, a β-transducin repeat signature and in two instances, good similarity to the prokaryotic lipoprotein signal peptide motif. The sequence has been deposited in the EMBL data library under Accession Number X83121.     

基于多时空图卷积网络的交通流预测

交通流预测在交通管理和城市规划的应用中具有重要意义,然而现有的预测方法无法充分挖掘其潜在的复杂时空相关性,为进一步挖掘路网道路网络数据的时空特性以提高预测精度,提出一种多时空图卷积网络(multi-spatial-temporal graph convolutional network,MST-GCN)模型。首先,利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性;其次,分别提取周相关、日相关、邻近时间的序列数据,输入三个时空组件以深度挖掘不同时间窗口间的时间相关性;最后,将时空组件与编码器—解码器网络结构(encoder-decoder)融合组建MST-GCN模型。利用加利福尼亚州交通局(Caltrans)性能评估系统中高速公路数据集PEMS04和PEMS08进行实验,结果表明新模型的性能明显优于门控循环单元模型和最近提出的扩散卷积循环神经网络(DCRNN)、时间图卷积网络(T-GCN)、基于注意力机制的时空图卷积神经网络(ASTGCN)和时空同步图卷积网络(STSGCN)模型。