本研究提出 Molecular Substructure-Aware Network （MSAN）模型，采用Transformer样式的结构提取模块从药物分子的分子结构中获取涉及各种亚结构模式的具有代表性的向量，并通过基于相似性的相互作用模块捕获两个药物亚结构之间的相互作用强度来有效地预测潜在的药物相互作用。经过真实世界数据集的实验，结果表明我们提出的模型实现了最先进的性能，也证实了我们模型的预测结果高度可解释。

Aug, 2022

本研究对比了随机森林、MolBERT和GROVER三种基于Extended-Connectivity Fingerprint、SMILES字符串和分子图的分子表示学习模型，评估了其在MoleculeNet数据集和类阿片类物质数据集预测方面的效果，并探讨了数据集分布、活性悬崖、模型评价、任务设定和化学空间泛化等方面对模型效果的影响，旨在为提高该领域人工智能技术贡献可能的思路。

Sep, 2022

SELFormer是一种基于变压器架构的化学语言模型，利用100％有效，紧凑和自我表达符号SELFIES作为输入来学习灵活且高质量的分子表示方法，并可以发现隐藏在数据中的知识， 这种方法在药物发现中具有很大的潜力。

Apr, 2023

本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。

Jun, 2023

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

本研究介绍了 DDIPrompt，一种基于图提示的创新方法，通过利用预训练模型中的内在知识来解决药物相互作用预测中的类别不平衡和标注数据稀缺的问题，显著改善了罕见药物相互作用的准确性。

Feb, 2024

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

ZeroDDI是一种用于零样本预测药物-药物相互作用（DDI）事件的新方法，它通过设计生物语义增强的DDIE表示学习模块和双模态统一对齐策略，解决了适应DDIE的合适表示学习和应对类别不平衡的挑战，实验结果表明其在检测未知DDIE方面具有很大的潜力。

Jul, 2024

本研究针对现有药物-药物相互作用（DDI）预测方法存在的不足，提出了RGDA-DDI框架，通过残差图注意力网络和双重注意力模块来有效学习药物和药物对的多尺度特征表示。研究结果显示，RGDA-DDI在两组公开基准数据集上的预测性能显著提升，为药物开发提供了新的见解。

Aug, 2024

本研究针对药物-药物相互作用（DDI）预测中的解释性不足问题，提出了一种生成自然语言解释的创新方法。这种方法不仅可以提高对DDI预测的信任度，还揭示了基础的药效学和药代动力学机制。研究表明，所开发的模型能够为已知药物之间的未知DDI提供准确的解释，对DDI预测领域的工具开发具有重要贡献。

Sep, 2024