综述：深度学习在药物-靶点相互作用预测中的全面综述

《Chemical Biology & Drug Design》：Deep Learning for Drug–Target Interaction Prediction: A Comprehensive Review

本综述系统梳理了深度学习(DL)技术在药物-靶点相互作用(DTI)预测领域的最新进展。文章详细解析了药物与靶点的特征表征方法，对比分析了深度神经网络(DNN)、循环神经网络(RNN)、卷积神经网络(CNN)、图神经网络(GNN)及Transformer等主流DL架构的优劣，并探讨了其在药物重定位、精准医疗等场景的应用价值。针对数据稀缺、模型可解释性等关键挑战，提出了自监督学习、可解释人工智能等未来研究方向。

　　

ABSTRACT

药物-靶点相互作用（DTI）预测在药物发现领域具有重要作用。然而，传统实验方法通常耗时且资源密集。近年来，深度学习（DL）方法已成为预测DTI的强大高效工具。本文对基于DL的方法进行了结构化概述，首先回顾了药物和蛋白质的特征表征策略，随后总结了常用数据集和评估指标。本综述批判性研究了各种DL架构，包括深度神经网络（DNN）、循环神经网络（RNN）、卷积神经网络（CNN）、图神经网络（GNN）和基于Transformer的模型。此外，我们讨论了它们在药物重定位、药物设计和精准医疗中的应用。最后，我们解决了数据稀缺和模型可解释性等关键挑战，并强调了自监督学习和可解释人工智能等未来研究方向。

特征表征策略

有效的特征表征是DTI预测的基础。对于小分子药物，常用的表征方法包括分子指纹、分子描述符和基于图的表征。蛋白质靶点的表征则涉及氨基酸序列、理化性质、三维结构和蛋白质相互作用网络。深度学习模型通过自动学习这些特征的层次化表示，显著提升了预测性能。

深度学习架构比较

深度神经网络（DNN）通过多层非线性变换学习复杂特征映射，但难以捕捉拓扑结构信息。卷积神经网络（CNN）擅长提取局部特征，适用于序列和图像数据。循环神经网络（RNN）及其变体LSTM、GRU能够建模序列依赖性，在蛋白质序列分析中表现突出。图神经网络（GNN）直接操作图结构数据，天然适合分子图和蛋白质相互作用网络。Transformer模型凭借自注意力机制，在长序列建模和全局依赖捕捉方面展现出优势。

应用场景

在药物重定位方面，DL模型通过分析现有药物与新靶点的相互作用，可发现已知药物的新适应症。在药物设计领域，生成式模型能够设计具有特定靶点活性的新分子结构。精准医疗应用中，DTI预测有助于根据个体基因组特征选择最佳治疗药物。

挑战与展望

当前面临的主要挑战包括数据稀缺导致的过拟合、负样本定义模糊、模型可解释性不足等问题。未来研究方向应聚焦于自监督学习缓解数据瓶颈、多模态数据融合、可解释人工智能（XAI）技术增强模型透明度，以及跨物种DTI预测的泛化能力提升。

Conflicts of Interest

The authors declare no conflicts of interest.