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

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

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

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

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

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

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

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

本研究提出一种基于 GraphDTA 的新方法称为 GDGRU-DTA，用于预测药物和靶标之间的结合亲和力，该方法使用 GRU 和 BiGRU 来提取蛋白质序列的特征，并使用两种不同的图卷积方法来处理药物图，最终模型在两个基准数据集上表现出优异的性能。

Apr, 2022