编辑 | 枯叶蝶
准确识别药物-靶标相互作用（DTI）是药物发现和药物重新定位过程中的关键步骤之一。目前，已经提出了许多鉴于计算的模型来预计 DTI，并取得了一些显著的进步。
然而，这些法子很少关注如何以适当的方式融会与药物和靶标相关的多视角相似性搜集。此外，如何充分结合已知的相互作用关系来准确表示药物和靶标尚未得到很好的研讨。因此，仍然需要提高 DTI 预计模型的准确性。
在最新的研讨中，郑州大学、电子科技大学团队提出了一种新法子 MIDTI，该法子采用多视图相似性搜集融会战略和深度交互式注意体制来预计药物-靶标相互作用。
结果表明，MIDTI 在 DTI 预计任务上的表现明显优于其他基线法子。消融实行的结果也证实了多视角相似搜集融会战略中注意力体制和深度交互注意力体制的有效性。
该研讨以「Drug–target interaction predictions with multi-view similarity network fusion strategy and deep interactive attention mechanism」为题，于 2024 年 6 月 6 日发布在《Bioinformatics》。
药物靶点交互（DTI）预计在新药研发与再操纵过程中占据核心地位，传统湿实行法子成本高昂、耗时长久，促使研讨者转向计算辅助的药物筛选法子来加速进程。
计算型 DTI 预计主要分为鉴于布局的法子、鉴于配体的法子和鉴于机器进修的法子三类。鉴于布局的法子依赖药物分子与靶点布局及结合位点，但受限于某些靶点如膜蛋白布局信息的缺乏；鉴于配体的法子则鉴于已知活性小分子建立模型，但在靶点结合配体数量有限时效果不佳。
近年来，机器进修法子广泛应用，通过提取药物化学布局和靶点基因序列特征进行二元分类，预计潜在 DTI。然而，目前的法子仅鉴于药物和靶点自身布局进修表征，忽视了 DTI 对之间的相互作用。
除化学和基因组特征外，生物实体间关系蕴含丰富语义信息，构建融会异构信息的搜集有助于系统理解 DTI。但是已有的法子难以一致操纵异构搜集中的复杂关系。
受多视角相似性搜集融会战略和深度交互式注意力体制的启发，郑州大学团队提出了一种称为 MIDTI 的预计 DTI 的新法子。
图示：MIDTI的整体框架。（来源：论文）
MIDTI 的整体框架主要包含四个步骤：
首先，MIDTI 根据药物相关关联信息构建不同的药物相似性搜集，并采用多视角相似性搜集融会战略获得集成的药物相似性搜集。MIDTI 也类似地建立了集成指标相似性搜集。
其次，MIDTI 采用 GCN 作为编码器，分别从综合药物相似性搜集、综合指标相似性搜集、药物-指标二分搜集以及药物-指标异构搜集中进修药物和指标嵌入。
第三，MIDTI 操纵深度交互式注意体制，根据已知的 DTI 关系进修判别嵌入。
最后，研讨人员将进修到的药物-靶标对表征输入到多层感知器（MLP）中，以预计 DTI。
图示：多视角药物相似性搜集融会战略的四个步骤。（来源：论文）
为了评估MIDTI的性能，研讨者采用了多种评估指标，包括准确率（ACC）、曲线下面积（AUC）、精确-召回曲线下面积（AUPR）、F1 分数和马修斯相关系数（MCC）。研讨人员将 MIDTI 与其他十种竞争性法子进行了比较，这些法子包括随机森林、图卷积搜集、图注意力搜集、MMGCN、GraphCDA 和 DTINet 等。
MIDTI 在 ACC、AUC 和 AUPR 指标上分别获得了 0.9340、0.9787和 0.9701 的分数，比 MMGCN 和 GraphCDA 的最高分数高出 2.55%、2.31% 和 2.30%。这表明 MIDTI 在预计药物-靶点相互作用方面是最具竞争力的法子之一。在不同正负样本比例的实行中，MIDTI 也表现出了优秀的性能。
图示：对 MIDTI 在不同时期进修到的药物指标嵌入进行可视化。（来源：论文）
研讨还展示了 MIDTI 进修到的药物-靶点嵌入的可视化结果，使用 t-SNE 工具将嵌入映射到二维空间。随着训练轮数的增加，正例和反例逐渐被区分开来，这证明了 MIDTI 所进修的嵌入具有良好的区分力和解释性，从而提高了 DTI 预计的准确性。
MIDTI 的核心贡献在于：它提出了一种新的多视角相似搜集融会战略，可以在无监督的方式下整合不同相似搜集；使用深度交互注意力体制，根据已知的 DTI 信息进修药物和靶点的判别性表示；大量实行证明 MIDTI 在 DTI 预计任务上优于其他先进的法子。
总之，MIDTI 是一种高效且准确的药物-靶点相互作用预计法子，其创新点在于操纵多视角信息和深度注意力体制来增强预计能力。
研讨人员表示，接下来将从以下两个方面开展工作。首先，操纵药物和靶标的其他相关数据源进行嵌入进修。其次，MIDTI 可以应用于其他链接预计问题，例如 miRNA 与疾病关联预计。
相关报道：https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335