提出了一种新的分层图表示学习模型 HGRL-DTA 用于药物靶标亲和力预测，利用全局亲和力网络和局部分子图所学的分层表示，并采用相似性嵌入映射来解决未见药物和靶标的表示问题。实验结果表明，HGRL-DTA 在多种场景下显著优于现有的基准模型，并显示出更好的模型泛化性能。

Mar, 2022

利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

Jan, 2018

本研究提出了一种新颖的 DTA 预测方法，名为 HGTDP-DTA，该方法利用混合图转换器框架中的动态提示，生成每个药物 - 靶点对的上下文特定提示，进而增强模型捕捉独特的相互作用，并采用多视图特征融合方法将分子图视图和亲和子图视图投影到一个公共特征空间，从而高效地结合了结构和上下文信息。实验结果表明，HGTDP-DTA 在预测性能和泛化能力方面均优于现有的 DTA 预测方法。

Jun, 2024

本研究介绍了一种使用深度神经网络从氨基酸和 SMILES 序列中提取局部化学上下文并从药物中提取分子结构的端到端学习框架 DeepGS，并使用先进的嵌入技术 Smi2Vec 和 Prot2Vec 对象进行符号数据处理，相比 KronRLS、SimBoost、DeepDTA 和 DeepCPI 等现有模型，实验结果显示出 DeepGS 的优越性和竞争力。

Mar, 2020

该研究提出了一种基于分子语义的图对比学习方法 GraphCL-DTA，用于药物靶标结合亲和力的预测，通过该方法可以学习到更加准确和有效的药物表示，并优化药物和靶标的表征质量。该方法在实际数据集 KIBA 和 Davis 上表现良好，明显优于其他最新模型。

Jul, 2023

使用四种基于文本的信息源 —— 蛋白质序列、配体 SMILES、蛋白质结构域和模体以及最大公共子结构单词预测结合亲和力，同时证明了基于单词的序列表示法是预测结合亲和力的深度学习模型的一种有前途的替代方法。

Feb, 2019

本文提出了一种基于深度学习的多任务训练、半监督学习和交叉注意力模块的方法，预测药物 - 靶标亲和性，有效地应用于药物设计和制造过程中，实验结果显示此方法具有较高的准确性和广泛的应用前景。

Jun, 2022

提出了一种名为 Bi-GNN 的方法，用于建模生物学链接预测任务，如药物相互作用（DDI）和蛋白质相互作用（PPI），该方法不仅利用了药物分子本身的图形表示，还包括相互作用图。

Jun, 2020

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

本研究探讨了药物靶点相互作用预测的各种技术及其改进方法，通过整合蛋白质语言模型和接触图信息提高了模型性能，为寻找针对特定蛋白质的潜在药物加速了药物发现过程。

Oct, 2023