我中心提出了面向药物发现的生物网络自监督表征学习的多任务联合框架MSSL2drug，相关研究成果已被Nature子刊接收，Nature Machine Intelligence。该研究基于生物医学异构网络的结构、语义和属性等多模态特征，设计了6个单任务和15种多任务组合，通过基于图注意力机制的统一对抗多任务学习框架，系统地研究药物深度表征，并在药物发现应用任务中得到显著性能提升。该成果完善了多任务驱动的自监督模型以及在药物发现应用领域中的技术体系，解释了如何有效地组合多个自监督模型这一人工智能领域的挑战性问题。审稿人认为该项工作弥补了相关领域空白，是非常新颖，有趣、实用的框架，对人工智能在药物发现领域的应用具有指导意义，其多自监督模型方法可被广泛应用于其他生命科学领域。 

　　该研究成果作为面向药物发现的人工智能系列研究之一，另两项研究工作于2021年发表在Briefings in Bioinformatics，以及Bioinformatics。上述系列研究均由共同通信作者李非副研究员指导完成。 

　　该成果得到国家自然科学基金面上项目“面向药物重定位的深度学习计算关键技术研究”（81973244）和中科院战略先导(B)课题“面向生命健康大数据分析的新计算架构与人工智能方法”（XDB38040100）的支持。

基于图注意力机制的对抗多任务学习框架 

　　　相关成果： 

　　　Multi-task Joint Strategies of Self-supervised Representation Learning on Biomedical Networks for Drug Discovery. Nature Machine Intelligence. 2022 (已录用)