Hypergraph Extensions for PPI Networks

Nel corso degli ultimi anni lo sviluppo del deep learning geometrico ha portato ad una importante crescita degli studi riguardo le capacità di queste reti neurali nella risoluzione di complessi problemi legati ai grafi e ai sistemi rappresentabili come reti. Tuttavia, nonostante l'elevato potenziale di questi modelli rispetto a quelli tradizionali, la capacità di queste particolari reti neurali, così come per le reti tradizionali, è comunque influenzata dalla qualità e dalla struttura dei dati sui quali lavorano.

In questo lavoro, si andrà a considerare un possibile metodo per arricchire i grafi utilizzando i pattern strutturali nascosti per migliorare le performance di diversi task applicati ad essi; in particolare ci focalizzeremo sulle PPI network, i cui nodi rappresentano delle proteine e gli archi descrivono una interazione o una certa soglia di similarità tra le proteine. Lo scopo è enfatizzare l'importanza dei motif, e più nello specifico di questo lavoro, le clique di diversa taglia, come pattern strutturale per le reti biologiche.

Installazione

python3 -m pip install -r requirements.txts
# Install torch according to your machine specifications
conda install pyg -c pyg

Riproduzione degli esperimenti

Nel caso del task di function-prediction, occorre prima di tutto lanciare lo script per scaricare e generare un ipergrafo a partire dal dataset di riferimento.

Function Prediction

Al fine di trasformare il grafo in un ipergrafo utilizzando la tecnica descritta in questo progetto, eseguire il comando python3 prepare_dataset.py, specificando l'indice da utilizzare per la previsione (jc, aa, ra).

Per eseguire gli esperimenti per il task di function-prediction utilizzando il modello basato su Graph Convolutional Network descritto nella relazione di progetto:

python3 function_prediction.py --model gcn
python3 function_prediction.py --model hypergcn

Link Prediction

Link Prediction PPI24

python3 link_prediction24.py --model gcn
python3 link_prediction24.py --model hypergcn

# Oppure utilizzando features generate casualmente

python3 link_prediction24.py --random_features --model gcn
python3 link_prediction24.py --random_features --model hypergcn

Link Prediction PPI147

python3 link_prediction147.py --model gcn
python3 link_prediction147.py --model hypergcn