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

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

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

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

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