Авторы
Петренко П. Б.
д.т.н., профессор, член-корр. Российской инженерной академии, заместитель руководителя отдела алгоритмических решений
ORCID: 0009-0001-8171-0164, SPIN-код: 6440-9461
КБ «Синергия», Центр обработки сигналов, г. Санкт-Петербург, Лиговский пр. 108, Россия
Автор для корреспонденции
Петренко Павел Борисович; e-mail: prof.petrenko54@gmail.com
Финансирование
Исследование не имело спонсорской поддержки.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Поступила
02.02.2016
Принята к печати
07.04.2026
Аннотация
В обзоре представлены современные достижения по применению графовых нейронных сетей для решения актуальных задач биоинформатики и медицины. Основное внимание в статье уделено фундаментальным причинам, по которым графовые нейронные сети следует применять для анализа биологических и медицинских данных, основным принципам их применения. Теория создания графовых нейронных сетей находится в тренде развития искусственного интеллекта и обеспечивает большие перспективы для реализации преимуществ машинного обучения на практике. Эффективность их использования обусловлена способностью к обобщению разнородной информации, устойчивостью к неполным, нечетким и зашумленным данным; возможностью работы с большими объемами информации, включающими графовые структуры; хорошей адаптацией используемых моделей и совместимостью с современными методами параллельных вычислений. В связи с этим, прогрессивные достижения получены в биомедицинских исследованиях, прогнозировании трафика, геномике, применительно к графам знаний и в других приложениях. В статье приведены примеры эффективного использования графовых нейронных сетей в биоинформатике и медицине и намечены будущие направления исследований. Показано, что использование GNN существенно повышает точность диагностики, позволяет ускорить процессы создания и тестирования новых лекарств, а также поднимает уровень взаимодействия между использованием передовых компьютерных технологий и лечением пациентов.
Ключевые слова
графовые нейронные сети (GNN), обучение представлению графа, глубокое обучение на GNN, медицинская визуализация и интерпретируемость данных, рекомендательные системы по безопасным и эффективным лекарствам, прогнозирования свойств молекул и структуры белка
Для цитирования
Петренко П. Б. Графовые нейронные сети в биоинформатике и медицине. Медицина 2026; 14(2): 1-41. doi: 10.29234/2308-9113-2026-14-2-1-41
DOI
Введение
Искусственные нейронные сети (Neural network, NN) используются во многих областях деятельности человека: распознавании образов и обработке изображений, прогнозировании и анализе данных, оптимизации производственных процессов, поиске скрытых закономерностей в больших объемах информации и создании интерактивных обучающих материалов в учебном процессе.
Эффективно развивается сравнительно новое направление NN – графовые нейронные сети. Их востребованность в машинном обучении объясняется способностью проводить анализ большого объёма данных и структур, возможностью к обобщению разнородной информации, устойчивостью к неполным, нечетким и зашумленным данным. Это позволяет обоснованно считать GNN мощным и очень перспективным инструментом машинного обучения [1,2].
Первое предложение о применении GNN изложено в работе [3]. Проблема была в том, что стандартные нейронные сети не давали приемлемых решений из-за их неспособности представить информацию о взаимоотношениях между графическими структурами.
В статье [4] дано разделение GNN на пять категорий: рекуррентные нейронные сети на графах (Recurrent Neural Networks on Graphs, RGNN), свёрточные сети на графах (GCN), автокодировщики графов (Graph Autoencoders, GAE), сети для обучения с подкреплением на графах (Networks for Reinforcement Learning on Graphs, GRL) и генеративно-состязательные сети (Generative Adversarial Network, GAN).
Практическая ценность GNN заключается в их впечатляющих преимуществах: высокой точности прогнозов (даже на ограниченных помеченных данных); адаптации к изменяющимся структурам (к структурам графов, которые меняются с течением времени); масштабируемости (возможности работы с объёмными графами и огромными наборами данных); мультимодальности обработки данных (возможность обработки различных типов данных, атрибутов узлов и рёбер); возможности трансферного обучения (адаптация моделей в соответствии с заданными проблемными ситуациями); использовании методов параллельных вычислений и создание гибких моделей при совместимости с другими методами машинного обучения.
Особый интерес представляет расширение возможностей GNN на основе гиперболической геометрии [5,6]: GNN с полностью гиперболической структурой имеют лучшую сходимость и высокую производительность, так как они не требуется при агрегации информации использования касательного пространства [7]; гиперболическая нейронная архитектура может потенциально привести к значительно более компактным моделям с гораздо большей физической интерпретируемостью, чем ее аналог в евклидовом пространстве; гиперболическая геометрия позволяет генерировать случайные графы1 с десятью миллионами ребер менее чем за секунду [8]; гиперболические GCN с обучаемой (с адаптивной кривизной) [9] обеспечивают высокую точность и производительность за счет регулирования кривизны пространства на каждом слое сети.
В работе [10] дается обзор методов глубокого обучения в неевклидовой области, включая графы и многообразия. Графы эффективно применяются при моделировании сложных временных и пространственных связей между объектами [11,12].
Общеизвестны достижения GNN в медицине и биоинформатике: в диагностике и выявлении сложных механизмов заболеваний; моделировании прогрессирования заболеваний; открытии новых лекарств; анализе медицинских изображений; создании электронных медицинских карт; прогнозировании результатов лечения пациента; совершенствовании клинических исследований; надзоре за общественным здоровьем, в построении графов знаний для обобщения медицинской информации.
В статьях [13,14] анализируются преимущества традиционных методов машинного и глубокого обучения для задач диагностики в медицине с применением GNN. Обсуждение и классификация исследований для прогнозирования заболеваний и предложения по разработке лекарств даны в [15].
Теория графов находит все более широкое применение и в сетевой нейробиологии, позволяя изучать структуры и функций нервной системы. Анализ сетей на основе графов позволяет получать ценную информацию о топологической архитектуре сетей человеческого мозга, по данным структурной и функциональной МРТ, диффузионно-тензорной визуализации, и электроэнцефалографии [16,17]. Коннектом человека становится всё более популярной темой в области нейробиологии человека и для ее изучения уже применяется теория графов. При анализе эффективных связей в мозге исследователи используют такие методы, как причинно-следственная связь по Грейнджеру, динамическое моделирование и байесовские сети [18].
Модели на основе графов широко используют методику обучения с учителем для задач классификации, без учителя в многомерном обучении [19] и кластеризации [20]. В исследованиях [21,22] представлен обзор передовых направлений в области GNN в сфере здравоохранения, выявлены текущие тенденции. В них отмечено, что прогнозирование заболеваний и разработка лекарств становятся важными областями применения GNN, указывается на большой потенциал GNN.
Это подтверждает справедливость известной формулы, что «для разработки локальных методов лечения, которые могут вылечить конкретное заболевание, нельзя не понимать глобальную организацию клеток – парадигму сетевой медицины».
Учитывая большое количество публикаций в мировой научной литературе по применению GNN в биоинформатике и медицине, возникает потребность подробного рассмотрения возможностей графовых нейронных сетей в связи с недостаточном вниманием к этой тематике в отечественной литературе.
Вклад этой статьи заключается в следующем:
● проведен обзор исследований и разработок по анализу современных достижений в области использования возможностей графовых нейронных сетей для решения актуальных задач биоинформатики и медицины, рассмотрены сопутствующие проблемы;
● выявлены причины, по которым графовые нейронные сети применяются для задач биологической и медицинской аналитики, определены основные принципы применения GNN;
● приведены примеры эффективного использования графовых нейронных сетей в задачах биоинформатики и медицины и даны направления дальнейших исследований.
Последующие разделы статьи посвящены более детальному рассмотрению следующих вопросов: во втором разделе рассмотрены вопросы представления GNN и их архитектура; третий раздел посвящен принципам, которые позволяют применять GNN для решения задач биоинформатики и медицины; в четвертом разделе представлены достижения и результаты применения GNN для практических задач; в пятом разделе проводится обсуждение результатов использования GNN и рассмотрены возможные направления решений сопутствующих проблем.
С полным текстом публикации можно ознакомиться здесь.
Список литературы
1. Broadwater K., Stillman M. Graph Neural Networks in Action. Version 4. MEAP Edition. Manning Publications Co. 2020. 300 p.
2. Zonghan W., Pan S., Chen F., Long G. A comprehensive survey on graph neural networks. Journal of Latex Class Files, V. XX, №. XX, 2019. IEEE Transactions on Neural Networks and Learning Systems, 2020; V. 32. Edition 1. P. 4-24. doi:10.48550/arXiv.1901.00596
3. Sperduti A., Starit A. Supervised neural networks for the classification of structures. IEEE Transactions on Neural Networks, V. 8. No. 3. 1997; P. 714–735. doi: 10.1109/72.572108
4. Zhang, Z., Cui, P., Zhu, W. 2018b. Deep Learning on Graphs: A Survey. Journal of Latex Class Files. V. 14. No. 8. 2015. P. 24. doi:10.48550/arXiv.1812.04202
5. Петренко П.Б., Толпыгин А.С. Графовые нейронные сети и их расширение на основе гиперболической геометрии: обзор. Информационные технологии. 2025; Т.31. №. 6. С. 291-307. doi: 10.17587/it.31.291-307
6. Sanborn S., Mathe J., Papillon M., Buracas D., Lillemark H. J., Shewmake C., Bertics A., Pennec X., Miolane N. Beyond Euclid: An Illustrated Guide to Modern Machine Learning with Geometric, Topological, and Algebraic Structures. arXiv:2407.09468v1. 2024; P.36. URL: https://arxiv.org/pdf/2407.09468
7. Jain A., Zamir J. A. R. , Savarese S. , Saxena A. Structural-RNN: Deep Learning on Spatio-Temporal Graphs. 2016; IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016; P.10. doi:10.1109/CVPR.2016.573
8. Zhang Y., Wang X., Shi C., Liu N., Song G. Lorentzian. Graph Convolutional Networks. Proceedings of the The Web Conference (www 2021). Ljubljana. Slovenia. 2021; 19–23 April. ACM/IW3C2. P. 1249–1261. doi:10.48550/arXiv.2104.07477
9. Chami I., Ying Z., Re C., Leskovec J. Hyperbolic graph convolutional neural networks. Advances in Neural Information Processing Systems, 2019; 32. P. 4868–4879. URL: https://arxiv.org/pdf/1910.12933
10. Bronstein M. M., Bruna J., LeCun Y., Szlam A., Vandergheynst P. Geometric deep learning: going beyond Euclidean data. IEEE Signal Processing Magazine. 2017; V. 34. No. 4. P. 18–42. doi:10.48550/arXiv.1611.08097
11. Yi H-C, You Z-H, Huang D-S, Kwoh C.K. Graph representation learning in bioinformatics: trends, methods and applications. Brief Bioinform 2022; V. 23. No. 1. P. 1–16. doi: 10.1093/bib/bbab340.
12. Leser U, Triβl S. Graph Management in the Life Sciences. In: Liu L, Özsu MT, editors. Encyclopedia of Database Systems. Springer. US. 2017; P. 1-6. doi:10.1007/978-0-387-39940-9_1436
13. Litjens G., Kooi T., Bejnordi B.E., Setio A.A.A., Ciompi F., GhafoorianM., van der Laak J.A., van Ginneken B., Sánchez C.I. A survey on deep learning in medical image analysis. Med. Image Anal. 2017; V. 42. P. 60–88. https://doi:10.1016/j.media.2017.07.005
14. Wang J., Wang S., Zhang Y. Deep learning in medical image analysis. CAAI Transactions on Intelligence Technology. 2024; V. 10. N. 1. P. 35. doi:10.1049/cit2.12356
15. Zhang X.-M., Liang L., Liu L., Tang M.-J. Graph Neural Networks and Their Current Applications. Bioinformatics. Frontiers in Genetics. 2021; V. 12. P. 22. doi:10.3389/fgene.2021.690049
16. Bullmore, E., and Sporns, O. Complex brain networks: graph theoretical analysis of structural and functional systems. Nat. Rev. Neurosci. 2009; V. 10. P. 186–198. doi: 10.1038/nrn2575
17. Bullmore, E., and Sporns, O. The economy of brain network organization. Nat. Rev. Neurosci. 2012; V. 13. P. 336–349. doi: 10.1038/nrn3214
18. Friston K. Causal modelling and brain connectivity in functional magnetic resonance imaging. PLoS Biol. 2009; V. 7. No. 2e33. P. 0220-0225. doi: 10.1371/journal.pbio.1000033
19. Wolz R., Aljabar P., Hajnal J.V., Lo tjo nenJ., Rueckert D., Nonlinear dimensionality reduction combining mr imaging with non-imaging information. Medical image analysis. 2012; V. 16. P. 819–830. doi: 10.1016/j.media.2011.12.003
20. Parisot S., Darlix A., Baumann C., Zouaoui S., Yordanova Y., Blonski M., Rigau V., Chemouny S., Taillandier L., Bauchet L., et al., 2016; A probabilistic atlas of diffuse who grade ii glioma locations in the brain. PloS one V. 11(1): e0144200. P. 24. doi:10.1371/journal.pone.0144200
21. Barabasi A., Gulbahce N., Loscalzo J. (2011). Network Medicine: a network-based approach to human disease. Nature Reviews Genetics. 2011; V. 12. PP. 56–68. doi: 10.1038/ nrg2918
22. Paul S. G., Saha A., MD. Hasan Z., Noori S. R. H., Moustafa A. A systematic review of graph neural network in healthcare-based applications: recent advances, trends, and future directions. Digital Object Identifier. 2023; V. XX. P. 27. doi: 10.1109/ACCESS.2024.3354809
23. Ward I. R., Joyner J., Lickfold C., Guo Y., Bennamoun M. A Practical Tutorial on Graph Neural Networks. arXiv:2010.05234v3. Preprint. 2021; P.35. doi:10.48550/arXiv.2010.05234
24. Chen J., Ma T., Xiao C. FastGCN: Fast Learning with Graph Convolutional Networks via Importance Sampling. Proceedings of the 6th International Conference on Learning Representations (ICLR). Vancouver, BC. Canada. 2018; P. 15. doi: 10.48550/arXiv.1801.10247
25. Bruna J., Zaremba W., Szlam A., LeCun Y. Spectral Networks and Locally Connected Networks on Graphs. Proceedings of the 2nd International Conference on Learning Representations (ICLR). 2014; P. 14. doi: 10.48550/arXiv.1312.6203
26. Sahili Z. A., Awad M. Spatio-Temporal Graph Neural Networks: A Survey. Preprint. 2023. P. 12. doi: 10.48550/arXiv.2301.10569
27. Zhang H., Li P., Zhang R., Li X. Embedding Graph Auto-Encoder for Graph Clustering. IEEE Transactions on Neural Networks and Learning Systems. 2020; P. 11. doi: 10.48550/arXiv.2002.08643
28. Scarselli F., Gori M., A. Chung T., Hagenbuchner M., Monfardini G. The Graph Neural Network Model. IEEE Transactions on Networks. 2009; V. 20, No. 1. P. 61–80. doi: 10.1109/TNN.2008.2005605
29. William L. Hamilton, Ying R., Leskovec J. Representation Learning on Graphs: Methods and Applications. IEEE. 2018; P. 24. doi: 10.48550/arXiv.1709.05584
30. hagat S., Cormode G., Muthukrishnan S. Node classification in social networks. Social Network Data Analytics. 2011; P.115–148. doi: 10.1007/978-1-4419-8462-3_5
31. Vishwanathan S.V.N., Schraudolph N.N., Kondor R., Borgwardt K.M. Graph kernels. Journal of Machine Learning Research. 2008; V. 11. P. 1201–1242. URL: https://www.researchgate.net/publication/1739673
32. 40Liben-Nowell D., Kleinberg J. The link-prediction problem for social networks. Journal of the Association for Information Science and Technology. 2007; V. 58(7). P. 1019–1031. doi: 10.1002/asi.20591
33. Лабонн М., Груздев А. Графовые нейронные сети на Python. М.: ДМК Пресс, 2024; 342с. (Пер. с англ. Labonne M. Hand-On Graph Neural Networks Using Python. Birmingham-Mumbai, 2023).
34. Cai H., Zheng V. W., Chang K. C.-C. A Comprehensive Survey of Graph Embedding: Problems, Techniques and Applications. IEEE Transactions on Knowledge and Data Engineering. 2018; V. 30. No. 9. P.20. doi:10.1109/TKDE.2018.2807452
35. Hamilton W.L. Graph Representation Learning. Morgan & Claypool publishers. Synthesis Lectures on Artificial Intelligence and Machine Learning. 2020; V. 14. No. 3. P. 1-159. doi: 10.2200/S01045ED1V01Y202009AIM046
36. Zhong Z., Li C.-T., Pang J. Hierarchical Message-Passing Graph Neural Networks. Data Mining and Knowledge Discovery. 2022; V. 37. No. 10. P. 381-408. doi: 10.1007/s10618-022-00890-9
37. Khemani B., Patil S., Kotecha K., Tanwar S. A review of graph neural networks: concepts, architectures, techniques, challenges, datasets, applications, and future directions. Journal of Big Data. 2024; V. 18. P. 43. doi: 10.1186/s40537-023-00876-4
38. Nunes M., Pappa G. L. Neural Architecture Search in Graph Neural Networks. Preprint. 2020; P.15. doi: 10.48550/arXiv.2008.00077
39. Creating Message Passing Networks. PyG Team. https://pytorch-geometric.readthedocs.io/en/latest/tutorial/create_gnn.html#id3
40. Ramírez J., Gorriz J., Salas-Gonzalez D., Romero A., Lо pez M., A lvarez I., Go mez-Rio M. Computer-aided diagnosis of Alzheimer’s type dementia combining support vector machines and discriminant set of features. Information Sciences. 2013; V. 237, P. 59-72. doi: 10.1016/j.ins.2009.05.012
41. Ahmed M. R., Zhang Y., Feng Z., Lo B., Inan O. T., Liao H. Neuroimaging and Machine Learning for Dementia Diagnosis: Recent Advancements and Future Prospects. IEEE Reviews in Biomedical Engineering . 2019; V. 12. P. 19-33. doi: 10.1109/RBME.2018.2886237
42. Alharbi M. and Ziyad S. R. Novel Computer-Aided Diagnosis System for the Early Detection of Alzheimer’s Disease. 2023; Vol.74, No.7 P.5483-5505. doi: 10.32604/cmc
43. Alkabawi E. M., Hilal A. R., Basir O. A. Computer-Aided Classification of Multi-Types of Dementia via Convolutional Neural Networks. IEEE.2017; P. 6. doi:10.1109/MeMeA.2017.7985847
44. Mavromatis C., Ioannidis V. N., Wang S., Zheng D., Adeshina S., Ma J., Zhao H., Faloutsos C., Karypi G. Train Your Own GNN Teacher: Graph-Aware Distillation on Textual Graphs. arXiv:2304.10668v1. 2023. P. 24. doi:10.48550/arXiv.2304.10668
45. Deng Xi., Zhang Z. Graph-Free Knowledge Distillation for Graph Neural Networks. arXiv:2105.07519v1. Preprint. 2021. P. 7. doi:10.48550/arXiv.2105.07519
46. Tong T., Gray K., Gao Q., Chen L., Rueckert D. Multi-modal classification of Alzheimer’s disease using nonlinear graph fusion. Pattern recognition. 2015. V. 63. P. 171-181. doi:10.1016/j.patcog.2016.10.009
47. Wang Z., Zhu X., Adeli E., Zhu Y., Nie F., Munsell B., Wu G. Multi-modal classification of neurodegenerative disease by progressive graph-based transductive learning. Medical Image Analysis. 2017. V. 39. P. 218–230. doi:10.1016/j.media.2017.05.003
48. Heidenreich A., Desgrandschamps F., Terrier F. Modern approach of diagnosis and management of acute flank pain: review of all imaging modalities. European urology. 2002. V. 41. No. 4. P. 351–362. doi:10.1016/S0302-2838(02)00064-7
49. Vieira S., Pinaya W.H.L., Mechelli A. Using deep learning to investigate the neuroimaging correlates of psychiatric and neurological disorders: Methods and applications. Neuroscience & Biobehavioral Reviews. 2017. V. 74. P. 58–75. doi:10.1016/j.neubiorev.2017.01.002
50. Parisot S., Ktena S. I., Ferrante E., Lee M., Moreno R. G., Glocker B., Rueckert D. Spectral graph convolutions for population-based disease prediction. Conference on Medical Image Computing and Computer-Assisted Intervention. Springer International Publishing. 2017. P. 177–185. doi:10.1007/978-3-319-66179-7_21
51. Rakhimberdina Z., Murata T. Linear graph convolutional model for diagnosing brain disorders. Studies in Computational Intelligence. In book: Complex Networks and Their Applications VIII. 2019. P. 815–826. doi:10.1007/978-3-030-36683-4_65
52. Ilias L., Askounis D. Explainable identification of dementia from transcripts using transformer networks. IEEE J. Biomed. Health Inform. 2022. V. 26. P. 4153–4164. doi: 10.1109/JBHI.2022.3172479
53. Rahim N., El-Sappagh S., Ali S., Muhammad K., Del Ser J., Abuhmed T. Prediction of Alzheimer’s progression based on multimodal deep-learning-based fusion and visual explainability of time-series data. Inform. Fusion. 2022. V. 92. P. 363–388. doi: 10.1016/j.inffus.2022.11.028
54. Tekkesinoglu S., Pudas S. Explaining graph convolutional network predictions for clinicians – An explainable AI approach to Alzheimer's disease classification. Artif. Intell. 2024. V. 6. P. 20. doi:10.3389/frai.2023.1334613
55. Ding M., Kong K., Li J., Zhu C., Dickerson J., Huang F., Goldstein T. VQ-GNN: A Universal Framework to Scale-up Graph Neural Networks using Vector Quantization. 35th Conference on Neural Information Processing Systems (NeurIPS). arXiv:2110.14363v1. 2021. P. 23. doi:10.48550/arXiv.2110.14363
56. Parisot S., Ktena S.I., Ferrante E., Lee, M., Guerrero R., Glocker B., Rueckert D. Disease prediction using graph convolutional networks: Application to autism spectrum disorder and Alzheimer’s disease. Med. Image Anal. 2018. V. 48. P. 21. doi:10.1016/j.media.2018.06.001
57. Di Martino A., Yan C.G., Li Q., Denio E., Castellanos F.X., Alaerts K., Anderson J.S., Assaf M., Bookheimer S.Y., Dapretto M., et al. The autism brain imaging data exchange: towards a large-scale evaluation of the intrinsic brain architecture in autism. Molecular psychiatry. 2013. V. 19. No. 6. P. 659–667. doi:10.1038/mp.2013.78
58. Thompson P.M., Stein J.L., Medland S.E., Hibar D.P., Vasquez A.A., Renteria M.E., Toro R., Jahanshad N., Schumann G., Franke B., et al. The enigma consortium: large-scale collaborative analyses of neuroimaging and genetic data. Brain imaging and Behavior. 2014. V. 8. No. 2. P. 30. doi:10.1007/s11682-013-9269-5
59. Go S., Kim J., Jin Noh K., Jun Park S., Lee S. Combined Deep Learning of Fundus Images and Fluorescein Angiography for Retinal Artery/Vein Classification. IEEE Access. 2022. V.10. P. 70688 – 70698. doi: 10.1109/ACCESS.2022.3187503
60. Wu Z., Zhao F. Xia J., Wang L, Lin W., Gilmore J.H., Li G., Shen D. Intrinsic patch-based cortical anatomical parcellation using graph convolutional neural network on surface manifold. In Proceedings of the Medical Image Computing and Computer Assisted Intervention. Lecture Notes in Computer Science. In book: Medical Image Computing and Computer Assisted Intervention – MICCAI. 2019. P. 492–500. doi:10.1007/978-3-030-32248-9_55
61. Nguyen T. M., Poh K. L., Chong S.‑L., Lee J. H. Med-MGF: multi-level graph-based framework for handling medical data imbalance and representation. BMC Medical Informatics and Decision Making. 2024. V. 24. P. 16. doi:10.1186/s12911-024-02649-2
62. Lin T-Y., Goyal P, Girshick R, He K, Dollár P. Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018. V. 42. P. 10. doi:10.1109/TPAMI.2018.2858826
63. Farzad V. Farahani, Waldemar Karwowski, Nichole R. Lighthall. Application of Graph Theory for Identifying Connectivity Patterns in Human Brain Networks: A Systematic Review. Frontiers in Neuroscience. 2019. V. 13. P. 27. doi:10.3389/fnins.2019.00585
64. Schmidhuber J. Deep learning in neural networks: An overview. Neural networks. 2014. V. 61. P. 85–117. doi:10.48550/arXiv.1404.7828
65. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation. MICCAI 2015, Part III, LNCS 9351. Springer. 2015. P. 234–241. doi:10.1007/978-3-319-24574-4_28
66. Shen D., Wu G., Suk H.-Il. Deep learning in medical image analysis. Annual review of biomedical engineering. 2017.V. 19. P. 221–248, doi:10.1146/annurev-bioeng-071516-044442
67. Litjens G., Kooi T., Bejnordi B. E,. Setio A. A. A, Ciompi F., Ghafoorian M., van der Laak J. A.W.M, van Ginneken B., S´anchez Cl. I. A survey on deep learning in medical image analysis. Medical image analysis. 2017. V. 42. P. 60–88, doi:10.1016/j.media.2017.07.005
68. Suk H.-Il, Lee S.-W., Shen D. Latent feature representation with stacked auto-encoder for AD/MCI diagnosis. Brain Structure and Function.2015. V. 220. P. 841–859. doi:10.1007/s00429-013-0687-3
69. Mishra R., Shridevi S. Knowledge graph driven medicine recommendation system using graph neural networks on longitudinal medical records. Sci Rep. 2024. V. 14. P. 16. doi: 10.1038/s41598-024-75784-5
70. Johnson A., Bulgarelli L., Pollard T., Horng S., Celi L. A., Mark R. MIMIC-IV Clinical Database Demo (version 1.0). PhysioNet. 2022. doi:10.13026/jwtp-v091
71. Gao C., Yin S., Wang H., Wang Z., Du Z., . Li X ¸ Yin S. Medical-Knowledge-Based Graph Neural Network for Medication Combination Prediction. IEEE Transactions on Neural Networks and Learning Systems. 2023. V. 35. No. 10. PP. 13246 – 13257. doi:10.1109/TNNLS.2023.3266490
72. Chen H., Lu Y., Yang Y., Rao Y. A drug combination prediction framework based on graph convolutional network and heterogeneous information. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2023. V. 20. No. 3. P. 1917-1925. doi: 10.1109/TCBB.2022.3224734
73. Karimi M., Hasanzadeh A., Shen Y. Network-principled deep generative models for designing drug combinations as graph sets. Bioinformaticsю 2020. V. 36(Supplement_1). PP. i445-i454. doi:10.1093/bioinformatics/btaa317
74. Huuskonen J., Salo M., Taskinen J. Aqueous solubility prediction of drugs based on molecular topology and neural network modeling. Journal of chemical information and computer sciences. 1998. V. 38. No. 3. PP. 450–456. 1998. doi:10.1002/chin.199836299
75. Mayr A., Klambauer G., Unterthiner T., Hochreiter S. DeepTox: Toxicity prediction using deep learning. Frontiers in Environmental Science. 2016. V. 3. P. 15. doi:10.1016/j.toxlet.2017.07.175
76. Qin S., Jiang S., Li J., Balaprakash P., van Lehn R. C., Zavala V. M. Capturing Molecular Interactions in Graph Neural Networks: A Case Study in Multi-Component Phase Equilibrium. Digital Discovery. 2023. V. 2. PP. 138-151. doi: 10.1039/D2DD00045H
77. Peng C., Wang Y., Guan C., Li C., Han J., Hao C., Wei C., Shang S. An end-to-end heterogeneous graph representation learning-based framework for drug–target interaction prediction. Briefings in Bioinformatics. 2021. V. 22. No. 5. P. 9. doi: 10.1093/bib/ bbaa430
78. Li Y, Qiao G, Wang K, Wang G. Drug–target interaction predication via multi-channel graph neural networks. Briefings in Bioinformatics. 2022. V. 23. No. 1. P. 12. doi: 10.1093/bib/bbab346
79. Jin W., Stokes J., Eastman R. T., Itkin Z., Zakharov A. V., Collins J. J., Jaakkola T. S., Barzilay R. Deep learning identifies synergistic drug combinations for treating COVID-19. Proceedings of the National Academy of Sciences, 2021. V. 118. No. 39. P. 7. doi:10.1073/pnas.2105070118
80. Gligorijević V., Renfrew P., Kosciolek T., Leman J. K., Berenberg D., Vatanen T., Chandler C., Taylor B. C., Fisk I. M., Vlamakis H., and other. Structure-based protein function prediction using graph convolutional networks. Nature Communications. 2021. V.12. No. 1. P. 14. doi: 10.1038/s41467-021-23303-9
81. Maturana D., Scherer S. VoxNet: A 3D Convolutional Neural Network for real-time object recognition. Conference: 2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2015. PP. 922–928. doi:10.1109/IROS.2015.7353481
82. Wu Z., Song S., Khosla A., Yu F., Zhang L., Tang X., Xiao J. 3D ShapeNets: A Deep Representation for Volumetric Shapes. Conference: 2015. Conference: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. PP. 1912–1920. doi:10.48550/arXiv.1406.5670
83. Cao R., Bhattacharya D., Hou J., Cheng J. DeepQA: Improving the estimation of single protein model quality with deep belief networks. BMC bioinformatics. 2016. V. 17. No. 1. P. 19. doi:10.48550/arXiv.1607.04379
84. Li J., Zhu W., Wang J., Li W., Gong S., Zhang J., Wang W. RNA3DCNN: Local and global quality assessments of RNA 3D structures using 3D deep convolutional neural networks. PLoS Computational Biology. 2018. V. 14. No. 11. doi:10.1371/journal.pcbi.1006514
85. Kagami H., Akutsu T., Maegawa S., Hosokawa H., Nacher J. C. Determining Associations between Human Diseases and non-coding RNAs with Critical Roles. in Network Control. Scientific Repots. 2015. V. 5. No. 1:14577. P. 11. doi:10.1038/srep14577
86. Altayli E. Regulator non-coding RNAs: miRNA, siRNA, piRNA, lncRNA, circRNA. Journal of clinical medicine of Kazakhstan. 2020. V. 6 N. 60. doi: 10.23950/jcmk/9258
87. van Rooij E., Olson E.N. MicroRNAs: powerful new regulators of heart disease and provocative therapeutic targets. J. Clin. Invest. 2007. V. 117. No. 9. P. 2369–2376. doi:10.1172/JCI33099
88. Zheng X., Du H., Luo X., Tong F., Song W., Zhao D. BioByGANS: biomedical named entity recognition by fusing contextual and syntactic features through graph attention network in node classification framework. BMC Bioinformatics. 2022. V. 23. No. 1. P. 19. doi:10.1186/s12859-022-05051-9
89. Li J., Sun Y., Johnson R.J., Sciaky D., Wei C.-H., Leaman R., Davis A.P., Mattingly C.J., Wiegers T.C., Lu Z. BioCreative V CDR task corpus: a resource for chemical disease relation extraction. Database. 2016. V. 2016, Article ID baw068. P. 10. doi:10.1093/database/ baw068
90. Doğan R.I., Leaman R., Lu Z. NCBI disease corpus: a resource for disease name recognition and concept normalization. J. Biomed Inform. 2014. V. 47. P. 10. doi: 10.1016/j.jbi.2013.12.006
91. Juryńczyk M., Tackley G., Kong Y., Geraldes R., Matthews L., Woodhall M., Waters P. J., Kuker W., Craner M., Weir A. et. al. Brain lesion distribution criteria distinguish MS from AQP4‐antibody NMOSD and MOG‐antibody disease. J. Neurol Neurosurg Psychiatry. 2017. V. 88. No. 2. PP. 132–136. doi:10.1136/jnnp-2016-314005
92. Aerts H, Fias W, Caeyenberghs K, Marinazzo D. Brain networks under attack: robustness properties and the impact of lesions. Brain. 2016. V. 139(Pt 12). PP. 3063–3083. doi:10. 1093/brain/aww194
93. Bondy A. J, Murty U. S. Graph theory with applications. Elsevier Science Publishing Co. New York, N.Y. 10017. ISBN 0-444-19451-7. 1991. 296 p.
94. 145Zhang L., Zhao Y., Che T., Li S., Wang X. Graph neural networks for image‐guided disease diagnosis: A review. iRadiology. 2023. V. 1. No. 2. PP.151–166. doi: 10.1002/ird3.20
95. Sheikh S. A., Kaloga Y., Sahidullah Md., Kodrasi I. Graph Neural Networks for Parkinson’s Disease Detection. arXiv:2409.07884v3. Preprint. 2024. P. 5. doi:10.48550/arXiv.2409.07884
96. Hosseini R., Simini F., Clyde A., Ramanathan A. Deep Surrogate Docking: Accelerating Automated Drug Discovery with Graph Neural Networks. NeurIPS. Preprint. 2022. P. 16. doi:10.48550/arXiv.2211.027
97. Lyu J., Wang S., Balius T. E., Singh I., Levit A., Moroz Y. S., O’Meara M. J., Che T., Algaa E., Tolmachova K., et. al. Ultra-large library docking for discovering new chemotypes. Nature. 2019. V. 566 (7743). P. 224–229. doi:10.1038/s41586-019-0917-9
98. Hamilton W., Ying Z., Leskovec J. Inductive representation learning on large graphs. In: Advances in neural information processing systems. 31st Conference on Neural Information Processing Systems (NIPS). Long Beach. CA. USA. 2017. P. 1024–1034. doi: 10.48550/arXiv.1706.02216
99. Li Y., Liu J., Gao X., Jie B., Kim M., Yap P.T., Wee C.-Y., Shen D. Multimodal hyper‐connectivity of functional networks using functionally‐weighted LASSO for MCI classification. Med Image Anal. 2019. V. 52. P. 80–96. doi:10.1016/j.media.2018.11.006
100. Otter N, Porter MA, Tillmann U, Grindrod P, Harrington HA. A roadmap for the computation of persistent homology. EPJ Data Sci. 2015. P. 38. doi:10.1140/epjds/s13688-017-0109-5
101. Otter N., Porter M. A., Tillmann U., Grindrod P., Harrington H.R.A. A Roadmap for the Computation of Persistent Homology. EPJ Data Science. 2015. V. 6(1). P. 14. doi:10.1140/epjds/s13688-017-0109-5
102. Kazi A., Shekarforoush S., Krishna S. A., Burwinkel H., Vivar G., Kortuem K., Ahmadi S.-A., Albarqouni S., Navab N. InceptionGCN: receptive field aware graph convolutional network for disease prediction. Lecture Notes in Computer Science. In book: Information Processing in Medical Imaging. 2019. P. 73-85. doi: 10.1007/978-3-030-20351-1_6
103. Yun S., Jeong M., Kim R., Kang J., Kim H.J. Graph transformer networks. 33rd Conference on Neural Information Processing Systems (NeurIPS). 2020. P. 11. doi: 10.48550/arXiv.1911.06455
104. Chang X., Ren P., Xu P., Li Z., Chen X., Hauptmann A. A comprehensive survey of scene graphs: generation and application. IEEE Trans. Pattern Anal. Mach. Intell. 2023. V. 45(1). P. 25. doi: 10.1109/TPAMI.2021.3137605
105. Ji S., Pan S., Cambria E., Marttinen P., Yu P.S. A survey on knowledge graphs: representation, acquisition, and applications. IEEE Transact Neural Networks Learn Syst. 2021. V. 33(2): P. 21. doi: 10.1109/TNNLS.2021.3070843
106. He K., Zhang X., Ren S., Sun, J. Deep residual learning for image recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). New Orleans. 2016. P. 12. doi:10.1109/CVPR.2016.90
107. Cheng B., Liu M., Shen D., Li Z., Zhang D. MultiDomain Transfer Learning for Early Diagnosis of Alzheimer’s Disease. Neuroinformatics. 2017.V. 15. P. 115–132. doi: 10.1007/s12021-016-9318-5
108. Zheng Y., Yi L., Wei Z. A survey of dynamic graph neural networks. Frontiers of Computer Science (electronic). V. 19(6). P. 29. doi:10.1007/s11704-024-3853-2
109. Wang B., Liu Z., Li Y., Xiao X., Zhang R., Cao Y., Cui L., Zhang P. Unsupervised graph domain adaptation for neurodevelopmental disorders diagnosis. 23rd International Conference Medical Image Computing and Computer Assisted Intervention (MICCAI 2020). Lima. Peru. 2020. P. 496–505. doi: 10.1007/978-3-030-59710-8
110. Zhou H., He L., Zhang Y., Shen L., Chen B. Interpretable graph convolutional network of multi-modality brain imaging for Alzheimer’s disease diagnosis. 2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). Istanbul. Turkiye. 2023. P. 1004-1007. doi: 10.1109/BIBM58861.2023.10385469
111. Bommasani R., Hudson D. A., Adeli E., Altman R.B., Arora S., von Arx S., Bernstein M. S., Bohg J., Bosselut A., Brunskill E. et al. 2021. On the opportunities and risks of foundation models. arXiv:2108.07258v3. Center for Research on Foundation Models (CRFM). Preprint. P. 214. doi: 10.48550/arXiv.2108.07258
112. Selsam, D., Lamm, M., Bünz, B., Liang, P., de Moura, L., Dill, D. L. de Moura L. Learning a SAT solver from Single-Bit supervision. Published as a conference paper at ICLR 2019. 2019. P.11. doi:10.48550/arXiv.1802.03685
113. Brockschmidt M. GNN-FiLM: Graph Neural Networks with Feature-wise Linear Modulation. Proceedings of the 37 th International Conference on Machine Learning, Vienna, Austria, PMLR 119, 2020. P. 10. doi:10.48550/arXiv.1906.12192
114. Ngo-Metzger Q., Hayes G. R., Chen Y., Cygan R., Garfield C. F. Improving Communication Between Patients and Providers Using Health Information Technology and Other Quality Improvement Strategies: Focus on Low-Income Children. Medical Care Research and Review. V. 67(5 Suppl). P. 246S-267S. doi:10.1177/1077558710375431
115. Schectman J. M., Nadkarni M. M., Voss J. D. The association between diabetes metabolic control and drug adherence in an indigent population. Diabetes Care. 2002. V. 25(6). P. 1015-1021. doi:10.2337/diacare.25.6.1015
116. Baker D. W., Parker R. M., Williams M. V., Coates W. C., Pitkin K. Use and effectiveness of interpreters in an emergency department. Journal of the American Medical Association. 1996. V. 275. P. 783-788. doi:10.1001/JAMA.1996.03530340047028
117. Shiffman R. N., Spooner S. A., Kwiatkowski K., Brennan, P. F. Information technology for children’s health and health care: Report on the information technology in children’s health care expert meeting. Journal of the American Medical Informatics Association. 2000. V. 8(6). P. 546-551. doi:10.1136/jamia.2001.0080546
Graph neural networks in bioinformatics and medicine
Authors
Petrenko P. B.
Doctor of Technical Sciences, Professor, Deputy Head of the Algorithmic Solutions Department Synergy Design Bureau, Signal Processing Center, 180 Ligovsky Ave., Saint Petersburg, Russia
Corresponding author
Petrenko Pavel Borisovich; e-mail: prof.petrenko54@gmail.com
Funding
The study had no sponsorship support.
Conflict of interest
The author declares no conflict of interest.
Received
02.02.2026
Accepted for publication
07.04.2026
Abstract
The review presents modern achievements in the application of graph neural networks to solve urgent problems in bioinformatics and medicine. The article focuses on the fundamental reasons why graph neural networks should be used to analyze biological and medical data, and the basic principles of their application. The theory of creating graph neural networks is in the trend of artificial intelligence development and provides great prospects for realizing the advantages of machine learning in practice. The effectiveness of their use is due to the ability to generalize heterogeneous information, resistance to incomplete, fuzzy and noisy data; the ability to work with large amounts of information, including graph structures; good adaptation of the models used and compatibility with modern methods of parallel computing. In this regard, progressive achievements have been achieved in biomedical research, traffic forecasting, genomics, applied to knowledge graphs and in other applications. Examples of effective use of graph neural networks in bioinformatics and medicine are given, and future research directions are outlined. It has been shown that the use of GNN significantly increases the accuracy of diagnosis, accelerates the creation and testing of new drugs, and raises the level of interaction between the use of advanced computer technologies and patient treatment.
Key words
graph neural networks (GNN), graph representation training, deep learning on GNN, medical visualization and interpretability of data, recommendation systems for safe and effective medicines, prediction of properties of molecules and protein structure
DOI
