MMGCN开发了一种基于多视角、多通道注意力的GCN来预测miRNA与疾病的关联 。Sheng等人构建了一个三层异构图，以整合miRNA、lncRNA和疾病之间的相似性和关联性 。他们还提出了结合随机游走、卷积自动编码器和VAE的异构属性嵌入方法VADLP，利用注意力机制学习节点特征来预测lncRNA与疾病的关联 。Wang等人提出了一种基于FastGCN的方法GCNCDA，通过合并疾病语义相似性信息和CircRNA的GIP来预测CircRNA与疾病的关联 。在我们以前的工作中，我们提出了一个分子关联网络，系统地集成了miRNA、lncRNA、CircRNA、mRNA、蛋白质、微生物、药物和疾病之间的全面关联，并提出了基于SDNE和node2vec的学习节点嵌入的方法 。融合节点嵌入和节点属性来预测分子间关系，如lncRNA-蛋白质相互作用和miRNA-疾病关联 。
3.3 药学中的图表示学习现代制药投资大、周期长、失败风险高 。图表示学习通过集成化合物化学信息、靶点相互作用和临床数据(如副作用和药物组合信息)，可以加速药物发现和药物重新定位 。
3.3.1 药物-靶点相互作用(DTI)预测Zong等人应用药物-靶点-疾病三边图的Deepwalk来预测药物-靶点相互作用(DTI) 。赵等人融合了DTI和药物-蛋白质对之间的联系，并提出了一种基于GCN的方法来编码药物-蛋白质对的特征来推断DTI 。基于异构图表示学习，Peng等人提出了一种基于GCN的端到端学习方法来预测DTI 。他们考虑了药物、蛋白质、疾病和副作用之间的联系 。塔法尔等人使用node2vec学习药物和靶标的表示，并计算药物-药物、药物-靶标和靶标-靶标之间的相似性 。阮等人介绍了将药物编码为图的GraphDTA，并应用GNN预测药物与靶标的结合亲和力 。药物-疾病关联预测能准确预测出药物合疾病之间的关联，可以发现现有药物的新适应症或推广新药治疗疾病，即所谓的药物重定位 。Zhang等人提出了一种基于相似性约束图因式分解的方法，利用已知的药物-疾病关联、药物特征和疾病语义信息来预测药物-疾病关联 。通过使用Deepwalk、LINE、SDNE和HOPE等图嵌入方法，郭等人将医学主题词表示为药物-疾病图，以学习药物和疾病的嵌入 。Yu等人构建了一个由已知的药物-疾病关联、药物-药物相似性和疾病-疾病相似性组成的异构图，并提出了分层注意力GCN来学习药物和疾病的嵌入，以预测药物-疾病关联 。
3.3.2 药物-药物相互作用(DDI)预测药物-药物相互作用(DDI)会影响不同药物组合的效果，甚至导致严重的不良反应 。有效的DDI预测对患者和降低药物开发成本至关重要 。
基于多数据源，Karim等人将各种KGE方法与卷积LSTM和经典机器学习分类器相结合用于DDI预测 。他们形成了一个由数据集DrugBank、PharmGKB和KEGG中的药物特征组成的知识图谱 。Park等人开发了一种基于注意力的GCN，用于从生物医学文献中提取DDI 。为了提高现有DDI预测方法的可扩展性和稳健性，Chen等人探索了一种基于图表示学习的方法来更准确地预测DDI 。Celebi等人比较和评价了用于预测DDI的不同KGE方法，并在不相交交叉验证下测试了DDI预测任务 。
3.4 医疗保健中的图表示学习最近的基于图表示学习的计算方法也被用于集成和利用多模式医疗系统数据，如生物医学知识图、电子健康记录(EHR)、电子病历(EMR)和生物医学图像，以更好地实现个性化医疗 。EHR或EMR通常由具有层次结构的国际疾病分类代码来表示，它可以自然地表示为全面的医学知识图 。也可以涉及疾病症状、分子信息、药物相互作用和副作用信息 。
为了促进医学和医疗保健中的临床决策支持系统，Rotmensch等人开发了一种自动化方法，用于从EMR中挖掘和构建连接疾病和症状的高质量医学知识图谱 。Ruiz等人提出了一种解释疾病治疗的有效方法，他们将多个受疾病干扰的蛋白质、药物靶点和生物功能整合到一个多尺度的交互组中，并开发了一种基于随机游走的方法来捕捉药物如何通过PPI和生物功能发挥作用 。多尺度交互作用组预测与疾病治疗相关的药物疾病关联、蛋白质和生物功能，并预测影响治疗效果和不良反应的基因 。基于脑部磁共振成像图像，Song等人提出了对阿尔茨海默病进行分类的方法 。Wu等人在中提出了ME2Vec来学习EHR中一般实体的连续低维嵌入，将医疗服务、医生和患者分别用word2vec、GAT和LINE嵌入 。为了避免手动标记电子病历数据的限制，Sun等人提出了一种基于广义神经网络的疾病预测模型，利用外部知识库对不足的电子病历数据进行扩充，以患者病历图和医学概念图为基础学习疾病、症状和患者的有效表示 。他们进一步研究了GAT和图同构网络聚集器以进行比较 。此外，Choi等人提出了一种图卷积变换来学习EHR的隐藏结构，而不是将EHR数据视为扁平结构的特征袋 。
