高效且准确，郑州大学团队开发新AI工具识别药物-靶标相互作用

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

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，许多基于计算的模型已被提出，用于预测 DTI，并取得了一些显著的进步。

然而，这些方法很少关注如何以适当的方式融合与药物和靶标相关的多视角相似性网络。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究。因此，提高 DTI 预测模型的准确性仍然是必要的。

在最新的研究中，郑州大学、电子科技大学团队提出了一种新方法 MIDTI。该方法采用多视图相似性网络融合策略和深度交互式注意机制来预测药物-靶标相互作用。

结果表明，MIDTI 在 DTI 预测任务上的表现明显优于其他基线方法。消融实验的结果也证实了多视角相似网络融合策略中注意力机制和深度交互注意力机制的有效性。

该研究以「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》。

在新药研发与再利用过程中占据核心地位，传统湿实验方法成本高昂、耗时长久，促使研究者转向计算辅助的药物筛选方法来加速进程。

计算型 DTI 预测方法

主要分为：

1. 基于结构的方法：依赖药物分子与靶点结构及结合位点，但受限于某些靶点如膜蛋白结构信息的缺乏。
2. 基于配体的方法：基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。
3. 基于机器学习的方法：通过提取药物化学结构和靶点基因序列特征进行二元分类，预测潜在 DTI。

机器学习方法的局限性

目前的方法仅基于药物和靶点自身结构学习表征，忽视了 DTI 对之间的相互作用。

异构网络构建

生物实体间关系蕴含丰富语义信息，构建融合异构信息的网络有助于系统理解 DTI。

文心快码

文心快码（Comate）是百度推出的一款AI辅助编程工具

下载

MIDTI 方法

郑州大学团队提出了 MIDTI，一种预测 DTI 的新方法，基于：

• 多视角相似性网络融合策略
• 深度交互式注意力机制

  

  MIDTI 的整体框架

图示：MIDTI 的整体框架（来源：论文）

步骤：

1. 构建相似性网络：MIDTI 根据药物关联信息构建药物相似性网络，并采用融合策略获得集成的药物相似性网络；同样地建立集成的目标相似性网络。
2. 学习嵌入：MIDTI 采用 GCN 从集成药物相似性网络、集成目标相似性网络、药物-目标二分网络和药物-目标异构网络中学习药物和目标嵌入。
3. 判别嵌入：MIDTI 利用交互式注意机制，根据已知的 DTI 关系学习判别嵌入。
4. 预测 DTI：将学习到的药物-靶标对表征输入 MLP 中，以预测 DTI。

   

   图示：多视角药物相似性网络融合策略的四个步骤。（来源：论文）

为了评估 MIDTI 的性能，研究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）。研究人员将 MIDTI 与其他十种竞争性方法进行了比较，这些方法包括随机森林、图卷积网络、图注意力网络、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 在预测药物-靶点相互作用方面是最具竞争力的方法之一。在不同正负样本比例的实验中，MIDTI 也表现出了优秀的性能。

研究还展示了 MIDTI 学习到的药物-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 所学习的嵌入具有良好的区分力和解释性，从而提高了 DTI 预测的准确性。

MIDTI 的核心贡献在于：

1. 它提出了一种新的多视角相似网络融合策略，可以在无监督的方式下整合不同相似网络；
2. 使用深度交互注意力机制，根据已知的 DTI 信息学习药物和靶点的判别性表示；
3. 大量实验证明 MIDTI 在 DTI 预测任务上优于其他先进的方法。

总之，MIDTI 是一种高效且准确的药物-靶点相互作用预测方法，其创新点在于利用多视角信息和深度注意力机制来增强预测能力。

研究人员表示，接下来将从以下两个方面开展工作。首先，利用药物和靶标的其他相关数据源进行嵌入学习。其次，MIDTI 可以应用于其他链接预测问题，例如 miRNA 与疾病关联预测。

相关报道：https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335