本研究提出通过预测物理信息方程中的原子间相互作用并将其总和用于蛋白质-配体复合物的结合亲和力，以增强深度神经网络（DNN）药物靶标交互模型的泛化能力，并通过扩大训练数据的结合位姿和配体来改进模型的泛化能力物。通过可视化配体亚结构的贡献，这种物理信息策略为进一步配体优化提供了见解。我们的模型PIGNet在CASF2016比较评估中得到验证，表现出优于以前方法的对接和筛选能力。

Aug, 2020

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

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

通过从多个公共数据源中创建和有效展示大规模数据集、基于不同有意义的策略将数据划分为训练、验证和测试集，并提供具体评估方案进行基准测试，本文提出了标准化已有数据资源的方法，并通过对现有神经网络模型的实验研究证明了其实用性和可行性。

Jan, 2024

我们研究了图神经网络的扩展行为，发现其在深度、宽度、分子数量、标签数量以及训练数据多样性上的扩展规律，取得了30.25%的性能改善（参数扩展至10亿）和28.98%的性能改善（数据集扩展至八倍）。此外，我们在38个任务上展示了很好的微调扩展行为，优于之前的大型模型，为基础图神经网络在制药药物研发领域迈出了重要的一步。

Apr, 2024

药物靶标相互作用的预测对于发现新的治疗方法和检测作用机制至关重要。该论文引入了MOTI$VE$数据集，该数据集包含来自七个公开数据库的细胞绘画特征、11000个基因和3600个化合物之间的关系，并提供了随机、冷源（新药物）和冷靶（新基因）数据分割，以便在实际的使用情况下进行严格评估。我们的基准结果表明使用细胞绘画特征的图神经网络一致优于仅从图结构学习、基于特征的模型和拓扑启发式方法。MOTI$VE$通过促进更可靠的药物靶标相互作用预测模型的开发，加速了图机器学习研究和药物发现。MOTI$VE$资源可在此网址获得。

Jun, 2024

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

本研究探讨了生成模型在结构基础药物设计中的低效表现，分析了其可能源于图神经网络的表征限制以及参数过度复杂带来的泛化能力缺失。研究创新性地提出了一种经济型代理方法，在减少参数的同时，优化分子图的标签，从而实现了最佳性能，最大可达1000倍的加速，指出了现有药物设计范式的重新评估需求。

Aug, 2024