DeepMCL-DTI：利用带注意力机制的多通道深度学习预测药物-靶点相互作用

《Molecular Diversity》：DeepMCL-DTI: predicting drug-target interactions using multi-channel deep learning with attention mechanism

药物-靶点相互作用预测是药物发现的关键环节，传统双通道模型无法充分挖掘输入数据特征。本文提出DeepMCL-DTI多通道注意力模型，整合药物图采样聚合与CNN，蛋白质ProtBert与双向BiLSTM，创新设计跨空间与通道的交互注意力模块，在DrugBank和Davis数据集上验证其优越性，并以ACE2受体为案例展示预筛效果。

　　

摘要

药物-靶点相互作用（DTI）预测对药物发现至关重要。深度学习已被广泛用于降低成本并加速这一过程。然而，大多数现有方法采用双通道架构，分别为药物和靶点构建特征提取网络。这些方法未能充分利用原始输入数据，也无法完全从中学习到特征。在本研究中，我们提出了DeepMCL-DTI，这是一种基于注意力机制的多通道深度学习模型，包含四个特征提取通道：用于药物特征的图样本与聚合（Graph Sample and Aggregate）和卷积神经网络（convolutional neural network），以及用于蛋白质特征的ProtBert和双向卷积长短期记忆（bidirectional convolutional long short-term memory）。一个交互-注意力模块（interact-attention module）在空间和通道维度上对药物-靶点相互作用进行建模。在DrugBank和Davis数据集上进行的广泛实验表明，DeepMCL-DTI的性能优于现有最先进方法。针对血管紧张素转换酶2受体（angiotensin-converting enzyme 2 receptor）的案例研究进一步证实了其作为药物发现预筛选工具的有效性。