基于图神经网络的植物间相互作用预测方法

摘要

针对如何精准地根据先验知识预测植物间的抑制与促进相互作用问题，构建基于植物间相互作用的异质网络，提出一种基于图神经网络的相互作用预测方法。该方法主要由表征学习器、作用识别器和类型分类器三大模块构成。表征学习器负责提取植物间相互作用特征，作用识别器与表征学习器共同预测植物节点之间是否产生相互作用，并对类型分类器施加干扰，以最大程度地获得在不同类型相互作用间可迁移的特征。类型分类器旨在准确区分植物间相互作用的类型，以避免受到作用识别器的干扰。最后，基于三大模块之间的相互对抗关系来增强对植物间抑制与促进相互作用类型差异的鲁棒性，从而有效应对目标植物间相互作用的预测问题。该方法在伴生植物数据集上的AUC、精确率（precision）和准确率（accuracy）的表现相较于现有的SEAL、GATNE、HeGAN、PME、SVM和RF方法中的最优方法 SVM分别提高了7.74、1.61和8.62百分点，分别达到了92.00%、80.12%和86.21%。结果表明，该方法通过降低目标类型差异的干扰，可以精准地预测植物间的相互作用，可以应用于优化农业生产实践。

关键词

植物间相互作用 / 鲁棒性 / 图神经网络 / 抑制与促进