报告题目：深度张量分解及其在计算药物研发中的应用（Deep Tensor Factorization for Computational Drug Development）
报告人：吴方向 教授
报告时间：2026年5月18日（周一） 上午10:00
报告地点：成人影视片 216会议室
报告人简介：
吴方向，现任加拿大萨斯喀彻温大学计算机科学系、生物医学工程系、机械工程系终身教授，加拿大工程研究院会士（EIC Fellow）、电气与电子工程师协会会士（IEEE Fellow）、英国工程技术学会会士（IET Fellow）以及亚太人工智能学会会士（AAIA Fellow），荣获萨斯喀彻温大学杰出研究者奖（该校最高成人影视片 荣誉）。主要研究方向涵盖人工智能、机器学习与深度学习、生物信息学、计算生物学、健康信息学、医学图像分析、复杂网络分析等前沿领域。累计发表期刊及会议论文500余篇，谷歌学术总引用量超19800次，H指数76。同时担任了多个国际期刊编委（如Neurocomputing、IEEE Transactions on Computational Biology and Bioinformatics等），多次担任国际期刊特邀主编，在众多顶级国际学术会议中出任程序委员会主席或委员。
报告摘要：
传统药物研发模式面临高经费投入、高端设备依赖、长周期消耗的多重局限，严重制约了新药研发的效率与普惠性。为突破这一困境，计算药物发现凭借其灵活高效、节约成本的优势逐渐受到广泛关注。本次报告将首先简要介绍计算药物发现的研究情况，随后重点阐述课题组近年来面向计算药物研发所提出的若干深度张量分解方法：包含用于mRNA-药物相互作用预测的非负矩阵分解（NMF）、用于药物-靶点相互作用预测的非负矩阵三因子分解（NMTF）、应用于药物重定位的非负张量分解（NTF），以及面向生物标志物发现的深度矩阵/张量分解方法等。
Traditional drug development is an expensive process that typically requires the investment of a huge amount of resources in terms of finances, equipment, and time. To overcome the limitations of this process, computational drug discovery becomes attractive due to its flexible and economic nature. In this talk, after brief introductions to computational drug discovery, I present several (deep) tensor factorization methods developed by my research group in past years for computational drug discovery, including nonnegative matrix factorization (NMF) for mRNA-drug interaction prediction, nonnegative matrix tri-factorization (NMTF) for drug-target interaction prediction, Nonnegative tensor factorization (NTF) for drug repositioning, and Deep matrix/tensor factorization for biomarker discovery.