近日IEEE BIBM2021发布了论文录取结果，实验室共有3篇论文被录用。分别是：

[1] Qiming Liu, Zhihao Yang, Lei Wang, Yin Zhang, Hongfei Lin, and Jinzhong Ning,SGAT: a Self-supervised Graph Attention Network for Biomedical Relation Extraction

  生物医学关系抽取可以从海量的生物医学文本中获取高质量、有价值的生物医学知识，这在生物医学研究和应用中发挥重要作用。面对复杂且存在大量噪音的生物医学文本，本文利用依存句法解析树构建自监督辅助任务并嵌入图注意力神经网络中来进行关系抽取。图注意力神经网络可以降低噪音词的影响，同时依存句法树的指导可以增强图注意力神经网络对语法信息的学习能力，从而提高了模型的可解释性和泛化能力。此外，我们引入Gumbel Tree-GRU来获取句子表示用于关系分类。最终，我们的方法在生物医学关系抽取标准数据集DDIExtraction 2013和ChemProt数据集上F1值分别达到82.76%和76.71%。

[2] Peng Chen, Jian Wang, Hongfei Lin, Yijia Zhang, Zhihao Yang, Di Zhao, and Hui Ma,Co-Attentive Span Network with Multi-task learning for Biomedical Named Entity Recognition

  生物医学命名实体识别(BioNER)通常被建模为序列标记任务，尽管这些序列标记模型取得了显著的成就，但它们往往不能给出命名实体的准确边界。此外，大量的工作更多地关注文本序列表示，而忽略了标签信息。为了解决这些问题，本文直接对跨度级别的命名实体进行建模，具体地说，将 BioNER 作为一个多任务框架下的边界检测和span分类的联合任务。为了加强边界监控，我们引入了实体类型标签作为附加指导，并提出了一种co-attention机制来改善span表示。在4个基准数据集上进行的大量实验表明，我们提出的方法在 BC5CDR、 JNLPBA、 NCBI 和 BC2GM 数据集上分别取得了90.26% 、78.04% 、90.21% 和86.58% 的 f1分数。

[3] Haifeng Liu, Hongfei Lin, Chen Shen, Zhihao Yang, Jian Wang, and Liang Yang,Self-Supervised Learning with Heterogeneous Graph Neural Network for COVID-19 Drug Recommendation

  严重急性呼吸综合征冠状病毒2 (SARS-CoV-2)的出现和传播造成了巨大的社会经济影响。虽然目前有几种有候选药物在临床试验中，但至今仍没有得到批准。药物重新定位作为加快药物研发的手段，可能有助于克服目前的流行病。然而，COVID-19的稀疏数据集限制了现有药物重新定位的准确性。为了解决这一问题，我们提出了一种新的药物重定位框架(Drug2Cov)。Drug2Cov通过整合自我监督学习实现在稀疏数据下学习有效的表示的目的。同时，Drug2Cov使用异构图神经网络捕获病毒、靶点和药物之间的复杂相互作用，提高药物重新定位的准确性。实验结果验证了我们提出的Drug2Cov框架的有效性和可行性。

  IEEE BIBM全称是The IEEE International Conference on Bioinformatics and Biomedicine，是中国计算机学会（CCF）推荐的国际会议（交叉/综合/新兴）领域B类会议。它是我们实验室生物医学文本挖掘领域研究中主要参与的国际会议，参加了自2010年起到现在举行的历届BIBM会议，林鸿飞、杨志豪、王健老师担任此次会议的程序委员会委员。