本文提出一种基于异质性图卷积神经网络的药物相互作用预测模型HAN-DDI，该模型能够准确地预测新药物的药物相互作用，较已有模型有较好的表现。

Jul, 2022

该研究提出了一种基于分子语义的图对比学习方法GraphCL-DTA，用于药物靶标结合亲和力的预测，通过该方法可以学习到更加准确和有效的药物表示，并优化药物和靶标的表征质量。该方法在实际数据集KIBA和Davis上表现良好，明显优于其他最新模型。

Jul, 2023

通过构建一个异构图，并引入新的三元关注机制，我们开发了一种名为HeTriNet的模型，可以更好地理解药物-靶标-疾病之间的相互作用，并在预测这种三元关系问题上显示出了出色的性能。

Nov, 2023

本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用，通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联，并且利用高级药物对预测药物间相互作用进行性能优越的预测。

Feb, 2024

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

机器学习在药物开发过程中被广泛应用，然而药物响应预测中的模型解释性是一个重要挑战，本研究通过构建异质图来设计了一种名为drGAT的图深度学习模型，用于药物敏感性预测和药物机制的解释，该模型在预测药物敏感性方面表现出优越性能，也能用于寻找与癌症患者治疗相关的生物标志物。

May, 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

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

本研究针对现有药物-药物相互作用（DDI）预测方法存在的不足，提出了RGDA-DDI框架，通过残差图注意力网络和双重注意力模块来有效学习药物和药物对的多尺度特征表示。研究结果显示，RGDA-DDI在两组公开基准数据集上的预测性能显著提升，为药物开发提供了新的见解。

Aug, 2024