2019年11月18日至21日，IEEE国际生物信息与生物医学会议（2019 IEEE International Conference on Bioinformatics and Biomedicine，简称IEEE BIBM）在美国圣迭戈召开，王选所吕肖庆老师参加了此次会议。

IEEE BIBM是生物信息学领域的重要国际会议，被中国计算机学会CCF评定为前沿、交叉学科B类会议。该大型学术会议展现了生物信息和健康信息领域的最新研究成果，汇集了来自计算机科学、生物学、化学、医学、数学和统计学等不同领域的学术界和工业界研究者。本次会议由24个Workshops和29个Sessions组成，致力于生物信息学和生物医学领域的相关主题。

吕肖庆老师在会场

本次大会共提交了531篇论文，录取200篇，长文录取率为18.5%。王选所师生共发表5篇论文，分别在会上做了口头报告和海报展示，论文信息如下：

[1] Chenrui Zhang, Xiaoqing Lyu, Yifeng Huang, Zhi Tang, Zhenming Liu, Molecular Graph Generation with Deep Reinforced Multitask Network and Adversarial Imitation Learning.

本文提出了一种基于对抗模仿学习与多任务强化学习的药物分子生成方法。该方法基于深度强化学习模型，采用马尔科夫决策过程描述分子生成过程；通过引入设计竞争（Dueling）结构来实现多任务学习；采用对抗模仿学习用于拟合分子生成实现密集的实时奖励反馈，解决强化学习奖励函数据有延迟性和稀疏性的问题。增强后生成模型能够优化分子生成过程，提高稳定性。

 [2] Zuoyu Yan, Liangcai Gao, Zhi Tang, Xingpeng Zhang, A non-local based segmentation method for Pelvic MR Images.

在盆腔核磁共振图像的器官分割问题中，为了获取图像的局部特征与全局特征，本文提出了一个基于非局部模块的模型，并通过引入金字塔池化与注意力机制来融合特征，从而大幅提高了模型的分割能力。

[3] Bei Wang, Xiaoqing Lyu, Zhi Tang, Yifan Wang, Comparison of Molecule Graph Representation with Similarity Consistency.

本文提出了一种衡量不同化学分子式表示方法差异性的度量指标。该方法基于图相似度的检索结果，提出了一种针对图特征差异的序列化匹配矩阵，并采用部分序列匹配策略来减少算法复杂度。该度量指标可以用来衡量不同嵌入空间中图表示方法的优劣，对研究人员选择化学分子图的表示方法提供参考价值。

[4] Xin Li, Xiaoqing Lyu, Zhi Tang, Hao Zhang,Chemical Similarity Based on Map Edit Distance.

本文提出一个新的基于图的算法框架来近似度量化学分子相似度。然后针对原始框架进行了改进，提高了算法效率。进一步，根据一个可以证明的代价下界，本文给出了一种剪枝方案。

[5] Bei Wang, Xiaoqing Lyu, Jingwei Qu, Haowen Sun, Zehua Pan, Zhi Tang, GNDD: A Graph Neural Network-Based Method for Drug-Disease Association Prediction.

本文提出了一种基于图神经网络的药物-疾病关联预测方法。该方法基于图神经网络模型，采用隐向量传播的方式学习药物-疾病网络中药物和疾病之间的高阶信息；通过引入推荐系统中协同过滤的思想，避免模型对多种类型数据的依赖，使方法更具通用性。通过捕获药物和疾病之间的复杂关系能够提高关联预测的准确性。