HierDTA分层建模药物靶标，冷启动未见蛋白MSE直降21.7%！
HierDTA: Hierarchical Structure-Aware Representation Learning for Drug--Target Affinity Prediction
📖 AI 总结
HierDTA 是一个面向药物—靶点亲和力（DTA）预测的分层结构感知框架，旨在解决如何从药物结构中挖掘多层次分子信息、并准确建模靶蛋白结合位点环境这一关键难题。方法上，该框架将药物表示为原子—基序异构图，通过增强模块把功能基序语义传播至对应原子；对蛋白质则将激酶结构域转换为残基交互图，并利用交叉注意力整合原子与残基表示以捕捉配对特异性关系，同时引入分子指纹和预训练 ESM-2 嵌入提供全局补充信息。实验结果显示，HierDTA 在 Davis 数据集上各项指标均优于现有先进方法，在 KIBA 上取得最高 rm² 值 0.791；在冷启动场景下泛化能力突出，未见蛋白质情形下 KIBA 的 MSE 降低 21.7%。消融与可解释性分析验证了分层增强和交互组件的贡献，案例研究还表明其能早期富集候选生物活性化合物。该工作为亲和力预测和靶点特异性虚拟筛选提供了有效方案。
🔑 关键词速览
| 药物-靶标亲和力（DTA）预测 | 预测药物分子与靶标蛋白之间结合强度（如结合亲和力）的计算任务，常用于药物发现中的虚拟筛选。 |
| 原子-基序异构图 | 一种图表示方法，将药物分子中的原子和功能基序作为不同类型的节点，并建立它们之间的连接关系。 |
| 交叉注意力 | 一种注意力机制，用于整合来自不同来源（如药物原子和蛋白质残基）的特征表示，以捕获它们之间的配对特异性关系。 |
| ESM-2嵌入 | 基于大规模蛋白质语言模型ESM-2生成的蛋白质序列特征表示，提供丰富的全局信息。 |
| 冷启动设置 | 在训练阶段未见过某些蛋白质或药物的场景下评估模型泛化能力的实验设置。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅