HiGraphDTI: 药物 - 靶标相互作用预测的分层图表示学习
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
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
本研究提出了一种名为 FusionDTI 的新模型，通过使用 SELFIES 表示药物和结构感知的目标蛋白质词汇，以及利用预训练的语言模型捕捉复杂信息，有效地学习药物 - 靶蛋白交互的细粒度信息，并在三个著名基准数据集上展现出与七种现有模型相比最佳的 DTI 预测性能，进一步突显了 FusionDTI 在 DTI 预测中的潜在结合位点和提高可解释性。
Jun, 2024
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
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
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
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