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

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

本研究提出了一种基于概率软逻辑（PSL）的网络药物 - 靶位点相互作用预测方法，通过多源信息的异质网络，包括药物相似性、靶位点相似性、药物 - 靶位点相互作用和其他潜在信息，利用元路径计数代替路径实例来降低 PSL 规则实例的数量。实验结果表明，该方法在 AUPR 和 AUC 分数方面优于其他五种方法。

Jun, 2023

本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法，用于预测药物相互作用的风险，融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练，并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现，通过三个最佳分类器的模型平均集成方法，在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。

Aug, 2019

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

该论文介绍了一种名为 medicX 的端到端框架，它将来自公共药物库的多种药物特征集成到一个知识图谱中，并使用各种翻译、分解和神经网络方法嵌入图谱中的节点，最终使用机器学习算法来预测未知的药物相互作用。

Aug, 2023

本文提出了一种称为 FGS 的细粒度选择性相似性集成方法，它利用基于局部相似性特征的一致性权重矩阵，以更细的粒度捕捉和利用相似性的重要性，实现了更好的药物 - 靶标互作预测表现。

Dec, 2022

本文提出一种基于 self-attention 机制的新型分子表征和一种新的 DTI 模型，实验证明其在面积下的精度 - 召回曲线方面能够优于现有技术的最新研究成果。此外，实验表明该模型能够在包含已知癌症生物标志物的情况下，有效地列出所有已知的针对该生物标志物的药物在前 30 个候选清单中

Aug, 2019

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