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

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

这项研究介绍了一个包含超过一百万个结合结构及其真实生物活性标签的小分子 - 蛋白质相互作用全面数据集，用于推动无偏生物活性预测，并评估了几种经典模型在该数据集上的效果，结果表明无偏生物活性预测任务既具有挑战性又是必不可少的。

Jun, 2024

模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。

Aug, 2023

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

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

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

本研究将来自不同来源和模态的知识图谱结合到序列或 SMILES 表示中，进一步丰富表示，取得了基准数据集上最新的成果。我们提供基于此数据的预训练模型，并公开了在 TDC 基准测试中性能表现的结果。同时，我们还公开了基准数据集上模型训练的源码，以鼓励知识增强表征学习的研究。

Jun, 2023