基于自注意力机制的分子表示法预测药物靶点相互作用
通过学习三层分子图中层次化的药物表征，结合关注机制，识别关键分子片段，该研究提出了一种基于层次化图表示学习的药物靶标相互作用预测方法，从而更好地利用原子、模式和分子中嵌入的化学信息，提取了表达丰富的靶标特征，展示出其在 DTI 预测上的优越性。
Apr, 2024
该研究通过对当前的药物靶标相互作用预测数据集和预测模型进行深入评估，发现基于推导模型的药物靶标相互作用预测方法缺乏泛化性，已有的评估方法导致性能夸大，因此不适用于药物再利用方法。鉴于此，提出了一种新颖的生物学驱动的负边缘子采样策略，并通过体外验证表明新发现的相互作用确实是真实的。该研究为未来公平的基准测试和稳健的模型设计奠定了基础。所有生成的资源和工具都作为 Python 软件包公开可用。
Nov, 2023
本研究提出了一种名为 FusionDTI 的新模型，通过使用 SELFIES 表示药物和结构感知的目标蛋白质词汇，以及利用预训练的语言模型捕捉复杂信息，有效地学习药物 - 靶蛋白交互的细粒度信息，并在三个著名基准数据集上展现出与七种现有模型相比最佳的 DTI 预测性能，进一步突显了 FusionDTI 在 DTI 预测中的潜在结合位点和提高可解释性。
Jun, 2024
药物靶标作用（DTI）预测是药物发现过程中的关键组成部分。本文提出了一种双通道网络结构的交叉领域监督学习模型 SiamDTI，通过跨领域信息融合策略获取局部和全局蛋白质信息，并在三个基准数据集上实验证明 SiamDTI 在预测新药物和靶标方面具有较高的准确性。
May, 2024
DTIAM 提供了一个统一的框架，可准确而可靠地预测药物靶点相互作用、结合亲和性和激活 / 抑制机制。
Dec, 2023
利用 FragXsiteDTI 模型，同时运用药物分子碎片和蛋白质口袋，优化了药物靶标相互作用预测的模型解释性和性能，其详细的蛋白质和药物的信息表征提供了药物靶标相互作用的详细视角。通过 Perceiver IO 框架，模型的可学习潜在数组用于蛋白质结合位点嵌入的交叉注意力，并通过自注意力进行调整，作为查询药物分子在药物的交叉注意力变换块中的属性，从而保留了药物 - 蛋白质相互作用中的关键细微差异，并且在三个基准数据集上的计算结果表明，我们的模型在预测能力上超过了几种先进模型，同时还显示出针对药物靶标对中目标蛋白质和药物分子的关键成分的解释性。
Nov, 2023
通过从多个公共数据源中创建和有效展示大规模数据集、基于不同有意义的策略将数据划分为训练、验证和测试集，并提供具体评估方案进行基准测试，本文提出了标准化已有数据资源的方法，并通过对现有神经网络模型的实验研究证明了其实用性和可行性。
Jan, 2024
本研究采用因果干预方法，以知识映射为核心技术，通过对三元组得分进行置信度测量，从而提高了药物靶点相互作用预测模型的准确性。结果表明，该方法可以有效提高 DTI 链接预测的准确性，并有助于指导药物开发后续实验设计和开发效率。
May, 2023
本研究提出通过预测物理信息方程中的原子间相互作用并将其总和用于蛋白质 - 配体复合物的结合亲和力，以增强深度神经网络（DNN）药物靶标交互模型的泛化能力，并通过扩大训练数据的结合位姿和配体来改进模型的泛化能力物。通过可视化配体亚结构的贡献，这种物理信息策略为进一步配体优化提供了见解。我们的模型 PIGNet 在 CASF2016 比较评估中得到验证，表现出优于以前方法的对接和筛选能力。
Aug, 2020