| 评审组： | 计算机与系统科学组 | | 项目名称： | 异构生物数据智能融合与解析理论研究 |
| 提名单位： | 陕西省知识产权局 |
| 提名等级： | 一等奖 |
| 提名单位意见： | 该项目面向人民生命健康和人工智能国家重大战略需求，结合多源多尺度生物大数据精准解析的发展趋势，着力解决了异构生物数据跨模态融合建模、一致化精准表征、生物分子活动智能解析等核心挑战，在异构生物数据智能融合与解析的理论创新方面取得了系统性、原创性的成果。提出了多源异构生物数据的新型融合表示理论，构建了基于复杂网络与路径推理的关联解析新体系，揭示了“网络邻居”效应，为发现未知的生物分子功能联系提供了全新的计算视角。创立了面向多类任务的深度学习框架，显著提升了对复杂生物现象的泛化解析能力。研究成果对新药研发、疾病生物标志物发现、复杂疾病致病机理及生物学新机制阐明具有重要的科学价值和理论意义。研究成果得到了国内外学者的广泛引用和积极评价，推动了计算生物学与人工智能的交叉融合发展。该项目理论创新显著，方法体系先进，处于国际前沿水平，为生物医学大数据分析提供了重要的理论工具，对学科建设和经济社会发展有重要的指导作用。
成果材料齐全、规范，无知识产权纠纷，人员排序无争议，符合陕西省自然科学奖提名条件。特提名为陕西省自然科学奖一等奖。 |
| 项目简介： | 
|
| 客观评价： | 
|
| 代表性论文专著目录： | 
|
| 主要完成人情况： | - 姓名：尤著宏
排名：1
行政职务：无
技术职称：教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：作为项目的总负责人，提出了“异构生物数据智能融合与解析”的总体研究思路和理论框架。对本成果第1、2、3科学发现点做出了创造性贡献，主导了核心算法的设计，是代表性论文[1]、[2]、[5]的通讯作者，对本成果的学术思想、关键技术和结论起了决定性作用。
- 姓名：陈兴
排名：2
行政职务：无
技术职称：教授
工作单位：江南大学
完成项目时所在单位：江南大学
对本项目主要学术贡献：作为项目核心算法的共同设计者和主要发展者，参与了项目的总体设计讨论，对本成果第2、3科学发现点做出了关键性贡献。主要负责基于网络拓扑和路径推理的模型构建，是代表性论文[3]、[4]的通讯作者。
- 姓名：易海成
排名：3
行政职务：无
技术职称：副教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：是项目中多模态学习理论和应用拓展的主要完成人。对本成果第1、3科学发现点做出了贡献，主要负责多模态特征融合的统一深度学习架构的构建、优化和验证，在生物分子关系预测的通用学习框架构建中发挥了关键作用。参与提出并完善了“异构生物数据智能融合与解析”的总体研究思路和理论框架，是代表性论文[5]的主要作者。
- 姓名：王磊
排名：4
行政职务：无
技术职称：教授
工作单位：中国矿业大学
完成项目时所在单位：中国矿业大学
对本项目主要学术贡献：是项目中深度学习模型构建与实验验证的主要完成人，对本成果第1、2科学发现点做出了贡献。负责深度表征学习模型的实现、优化和大量计算实验。是代表性论文[2]的第一作者及代表性论文[1]的共同通讯作者。同时参与了部分算法实现和实验分析工作，为项目提供了坚实的数据处理和计算支撑。
- 姓名：黄裕安
排名：5
行政职务：无
技术职称：副教授
工作单位：西北工业大学
完成项目时所在单位：西北工业大学
对本项目主要学术贡献：是项目中多源异构生物数据的深度表征学习理论的主要贡献者，对本成果第1、2科学发现点做出了贡献。是代表性论文[2]的主要作者，完成了IMS-CDA模型的代码实现、所有对比实验和案例分析，验证了模型的有效性。
|
| 主要完成单位： | - 单位名称：西北工业大学
单位贡献：西北工业大学作为本项目的第一完成单位，牵头组织和实施本项目研究，全面负责项目的规划、管理和资源协调。对本成果第1、2、3科学发现点做出贡献，对成果实质性贡献主要包括：提出一系列多源异构生物数据的深度表征理论和方法，整合生物大数据不同实体的多源相似性信息，实现维度约简和特征融合，显著提升异构生物数据智能融合精度；将全局生物网络拓扑信息引入异构数据智能解析，提出基于网络路径与拓扑结构的关联推理的异构生物数据智能解析模型，促进新关联知识的发现；提出多模态特征融合的统一深度学习架构，深度融合多通道特征，解决多类型关联关系发掘的问题。学校将人工智能与生物信息交叉研究列为重点发展方向，为本项目的顺利实施提供了坚实的政策支持和资源保障。
- 单位名称：江南大学
单位贡献：本单位作为项目第二完成单位，对本成果的第2、3科学发现点做出贡献，对成果实质性贡献主要包括：针对疾病与miRNA关联预测问题，开发了基于路径的预测模型PBMDA，获得了可靠的预测结果。相关研究成果发表于计算生物学著名期刊PLoS Computational Biology。此工作得到了学界广泛认可，多篇公开发表的文献给予高度评价，称其为先进的模型、先进的方法、流行的工具、有效和强大的工具、优秀的方法、重要的方法、有效的模型等。公开评价指出，PBMDA模型在预测高置信度miRNA-疾病关联时优势显著，且能适用于新疾病和新的miRNA，极大提升了模型的实用性与可靠性。针对药物相互作用类型预测问题，开发了基于多通道特征融合的预测模型MCFF-MTDDI。该模型在多类分类任务以及多标签分类任务中表现卓越，可精准预测老药-老药、老药-新药、以及新药-新药之间相互作用类型。研究成果发表于生物信息学著名期刊Briefings in Bioinformatics。多篇文献评价该模型解决了特征冗余和知识图谱噪声问题；能高效融合不同特征，通过缓解特征冗余获得优异结果，在预测药物相互作用引起的副作用方面准确率高，克服了现有研究局限，在多分类、多标签药物互作预测任务中表现出色。
- 单位名称：中国矿业大学
单位贡献：本单位作为该成果的第三完成单位，对第1、2科学发现点做出贡献，对成果实质性贡献主要包括：提出了一系列基于智能计算的复杂生物数据高效学习算法，为系统生物学中相关领域的研究及发展提供科学的辅助手段和工具；构建了包含卷积计算及有深度结构的前馈网络模型，按照层级结构对复杂生物数据进行平移不变策略抽取深度特征；构建了无监督图神经网络模型，通过保留异构生物网络拓扑结构和节点内容信息，将图顶点表示为低维向量来抽取其隐藏特征。在该成果的完成过程中，紧密配合合作单位，在各个方面给予了大力支持。
|
| 完成人合作关系说明： | 完成人合作关系说明：1
|
