GDEFN LAB/科研总览

科研总览

本地安全运行
--:-- ----/--/--
GF
DEGREE-AWARE GRAPH INTELLIGENCE

生物关联智能预测
从图结构中发现潜在联系

基于三视图 GCN、双编码器融合与统一特征增强，对 miRNA–mRNA 和药物–靶标候选样本进行可追溯的二分类分析。

1,065,365mi-m 模型参数
5-Fold交叉验证设计
6论文核心指标
GDEFNBioInsight
3V-GCN多视图拓扑编码
DEF双编码器融合
UFE高阶特征增强
01

论文实验表现

载入历史实验日志…
DATA MATRIX

内置科研数据

PROVENANCE

最近分析记录

◎

尚无软件预测记录

完成一次预测后将在此显示
02

智能预测工作台

可直接选择整折测试集、论文案例或自定义样本，并以关系名称组织预测结果。

✓ 真实名称优先 · 来源可追溯
FIVE TEST SETS

五折测试集库

下面 5 张卡片就是当前数据集的 5 个真实测试集；点击即可选中整折预测，也可分别下载关系格式 CSV。

5个测试折

正在读取五折测试集…

TEST SET · DIRECT INFERENCEmiRNA–mRNA · Fold 01 测试集
—关系样本
—参考正类
—真实名称覆盖

选择数据集与折次后，直接预测该折全部测试样本；结果按关系样本格式展示并可导出。

预览 / 下载当前测试集

科研提示：案例结果、快速基线与检查点推理会使用不同来源标识；缺少可靠映射的样本不会被伪造名称。

PREDICTION OUTPUT

预测结果

+

等待预测任务

配置数据集与引擎，输入节点索引或上传特征文件后运行。

03

真实名称生物关系可视化

优先绘制有证据的 miRNA–基因案例网络，并支持映射后的标准结构图探索。

i 拖拽节点 · 滚轮缩放 · 拖动画布
01
关系样本miRNA 与靶基因名称
→
02
证据映射转录本与来源行
→
03
关系组网调控方向与概率
→
04
力导向布局拓扑交互呈现
BIOLOGICAL NETWORK

关系图配置

VERIFIED NAMES

图上节点使用论文案例中已核实的 hsa-miRNA、基因符号与转录本；不显示匿名索引作为生物名称。

ENTITY MAPPING

导入可靠名称映射

正在检查名称映射覆盖率…

下载映射模板
已实名关系明细读取中…
正在载入对应名称…
下载全部实名关系
NODE INSPECTOR

点击图中实体查看详情

实体名称
—
实体类型
—
参考标签
—
数据划分
—
0 基来源索引
—
外部标识 / 转录本
—
关联数量
—
INTERACTIVE NETWORK

等待生成局部图

—显示节点
—子图关系边
—全图平均度
—子图密度
配置中心节点后生成交互式局部网络
标签 1标签 0中心节点
滚轮缩放 · 拖动画布 · 拖拽节点 · 单击查看属性
04

快速基线现场评估

在指定测试折上即时计算七项指标、混淆矩阵与 ROC 曲线。

现场基线结果，不等于论文五折结果
⌗

尚未运行现场评估

首次载入特征矩阵可能需要数秒，请保持页面打开。

05

GDEFN 检查点训练中心

以独立后台进程运行五折训练，并保存每折最优模型供完整推理。

! 建议使用 CUDA 环境
REPRODUCIBLE TRAINING

实验配置

输出策略不可变五折检查点runs/<run_id> + active_manifest.json
完整训练依赖 PyTorch、SciPy、scikit-learn 与 PyTorch Geometric。当前软件不会自动联网安装依赖。
TRAINING CONSOLE · IDLE空闲
尚未启动训练任务0%
F1F2F3F4F5
$ 等待 GDEFN 训练任务…
MODEL REGISTRY

检查点就绪状态

06

数据集可视化与质量审计

直接查看五折测试集、正负类分布、真实名称覆盖、实体关系明细和全部数据文件流。

● 通过● 注意
DATASET VISUAL EXPLORER

测试集与关系索引可视化

每个数据集均按原始五折划分展示；全部关系可按 0 基索引分页查看，已核验记录自动替换为真实名称。

TEST FOLD DISTRIBUTION

5 个测试集

青色：参考正类 · 深蓝：参考负类 · 紫色：真实名称覆盖

正在绘制五折测试集…

FULL RELATION INDEX CATALOG

全部关系索引目录

正在读取关系索引…

下载完整索引表
0 基关系索引miRNA / 药物关系方向mRNA / 蛋白转录本 / UniProt显示依据
正在读取关系索引目录…
DATA ASSET PANORAMA

全文件数据流可视化

按特征、标签、五折划分、结构边和近邻图梳理当前数据目录中的全部文件。

正在读取数据资产目录…

i

名称证据与索引规则

mi-m 的 7,611 条关系全部按原始 0 基索引提供；其中 16 条已核验案例显示真实名称，其余显示关系索引。DTI 2,664 条关系已全量实名。索引可直接回连特征矩阵和五折文件，不会猜测或编造生物名称。

07

实验记录与结果溯源

统一查看原始训练日志与软件预测历史，区分论文历史实验和现场计算。

日志文件数据集完成度五折记录论文六指标状态
08

GDEFN 方法架构

从图视图构建、表征学习、跨模态融合到最终二分类的完整科研链路。

1.07Mmi-m 参数规模
CODE-ALIGNED MODEL BLUEPRINT

GDEFN 主实验与完整检查点推理数据流

逐项对应 models.py、utils.py 与 main.py；实线为完整前向，虚线为预计算或训练专用路径。

(a) DATASET INPUTS (c) SHARED 3-VIEW GCN + ATTENTION (f) CROSS-MODAL GATE / DEF (b) GRAPH & HIGH-ORDER PRECOMPUTATION (d) PARALLEL MLP ENCODER (e) UFE BRANCH (g) RESIDUAL FUSION + CLASSIFIER 关系特征 X[N, 900]float32 · 模型输入 Tadj_raw拓扑邻接 [N,N] Fadj_rawKNN 特征邻接 [N,N] y / train-val-test仅损失、选模与评估 Shared GCN θ · A_ftGraphConv F→512→256LN · ReLU · Dropout Shared GCN θ · A_drop同一组 gc1 / gc2 参数→ emb2 [N,256] Shared GCN θ · A_add同一组 gc1 / gc2 参数→ emb3 [N,256] emb1不投影 共享 Project(emb2)fc1 256→256 · ELU · fc2 共享 Project(emb3)fc1 256→256 · ELU · fc2 Stack[N,3,256] View AttentionLinear 256→16Tanh · Linear 16→1Softmax(dim=view)β [N,3,1]Σ βᵥ · Zᵥ emb_GDEFN[N,256] TRAINING ONLY · MULTI-VIEW OBJECTIVESLdrop(emb1,emb2′,filtered_low,τ=.3) + Ladd(emb1,emb3′,filtered_high,τ=.3)+ Lfeat(emb2′,emb3′,τ=.3) + 0.3·Ldef(emb_GDEFN,ContrastHead(Z_mlp),τ=.7)CosAlign = mean[1 − cos(emb_GDEFN,Z_mlp)] ; ContrastHead 256→64→256, BN+ReLU (仅 Ldef) X[N,900] Linear F→128LayerNorm · ReLUDropout(0.4p) Linear 128→256LayerNorm · ReLU纯属性编码 Z_mlp[N,256] deg_t [N]log(deg_t+1) deg_f [N]log(deg_f+1) emb / Z_mlpcosine similarity ‖Z_mlp‖/‖emb‖clip [0,5] Concat[N,4]log d_tlog d_fcosnorm ratio Gate MLPLinear 4→32 · LN · ReLU → 16 · ReLU → 1Sigmoid → gate [N,1] α · gate · Z_mlpα: learnable scalarinit = 0.1 Residual Addemb_GDEFN +α·gate·Z_mlp Z_DEF[N,256] Binary UnionTadj + Fadj→ FT_adj_raw Row NormalizeD⁻¹(A + I) A_ftView 1 [N,N] deg_tsum(Tadj, axis=1) deg_fsum(Fadj, axis=1) Edge Perturbationdeg_ft + X cosine rankrandom candidates ≤20Nweighted drop / add→ RowNorm A_drop/A_add Hypergraph pathX → L2 normalize→ cosine similarity→ Top-5 KNN→ incidence matrix H→ hypergraph normalize→ feature aggregationX_hg [N,F] Graph diffusion pathFT_adj_raw→ symmetric normalize→ PPR multi-hopα = 0.1 · K = 5→ propagation S→ S @ XX_diff [N,F] X_diff[N,900] X_hg[N,900] proj_diffF→64 proj_hgF→64 Concat [N,128]LayerNorm · GELUDropout(0.6p)fc 128→256 γ · hγ learnableinit = 0.1 Z_UFE[N,256] Z_DEF[N,256] Z_UFE[N,256] Residual AddZ_DEF + Z_UFE= Z_fused MLP ClassifierLinear 256→16 · TanhLinear 16→2 · LogSoftmaxlog P(T / F) [N,2] P₁≥ τ关联/ 非关联 TOTAL TRAINING LOSSNLL + λepoch·Lcontrast + 0.3·CosAlign + 0.01·L2λepoch = 0.5 · min(1, epoch / 50) · Adam weight_decay=.001
STAGE INSPECTOR

点击任一模块查看真实计算职责

该图按代码的数据流绘制：GCN、MLP 与 UFE 是并行分支，不是串行流水线。

张量维度：—状态：架构设计态
EXACT FORWARD EQUATIONS

与代码一致的两次残差融合

ZDEF = embGDEFN + α · Gate · ZMLP
Zfused = ZDEF + ZUFE,   ZUFE = γ · fc(h)

γ 已在 UFE 分支内部乘入，最终残差处不会再次乘 γ；这与 add_def_residual() 和 add_ufe_residual() 完全一致。

DEFAULT CONFIGURATION

论文默认参数

SOFTWARE COPYRIGHT EDITION

GDEFN 生物关联智能预测与分析系统

Degree-Aware Graph Fusion Network with Dual-Encoder Fusion and Unified Feature Enhancement

版本 V1.0本地部署科研用途
QUICK START

使用步骤

  1. 选择数据集与折次mi-m 为 900 维，DTI 为 500 维。
  2. 选择预测范围可直接预测完整测试折、论文案例或指定样本。
  3. 查看名称或索引DTI 全量实名；mi-m 的 7,611 条关系全部显示，未实名项保留原始索引。
  4. 核对来源并导出CSV 保存实体关系、概率、标签、映射证据与来源。
RESEARCH DISCLAIMER

科研使用声明

!

软件输出是计算预测，不是已验证的生物学事实；不得替代湿实验、药理评价或临床判断。历史论文指标没有对应权重时，只作为实验记录展示。

预测引擎口径

  • quick-baseline：现场拟合的 Diagonal LDA。
  • gdefn-checkpoint：匹配数据集和折次的完整模型。
SYSTEM INFORMATION

运行信息

软件版本
V1.0
运行模式
Localhost
服务状态
连接中
发布日期
2026-08-23