编辑推荐：
本研究提出了一种名为MFCADTI的新型方法，通过整合多源特征和交叉注意力机制，显著提升药物-靶点相互作用（DTI）预测性能，为药物发现提供有力支持。
在药物发现领域，准确预测药物与靶点之间的相互作用（Drug-Target Interaction, DTI）是关键环节之一。传统方法多依赖于单一特征，如序列或网络信息，忽略了不同特征间的互补性。为解决这一问题，新疆大学的研究人员提出了一种名为MFCADTI（Multi-Feature Cross-Attention Drug-Target Interaction prediction）的新方法。该方法通过整合网络拓扑特征和序列属性特征，并引入交叉注意力机制，显著提高了DTI预测的准确性和鲁棒性。研究结果表明，MFCADTI在多个基准数据集上的表现优于现有先进方法，为药物开发和再定位提供了新的计算工具。论文发表于《BMC Bioinformatics》。
研究背景方面，药物-靶点相互作用的准确预测对于降低药物研发成本和缩短研发周期至关重要。传统方法如基于配体的方法和基于对接的方法，因缺乏配体和靶点三维结构信息而面临挑战。近年来，基于机器学习的方法取得了显著进展，但大多仅利用单一类型的特征，限制了预测性能的提升。因此，开发能够整合多种特征的计算方法成为研究热点。
为解决这一问题，新疆大学的研究人员设计了MFCADTI框架。该框架首先从异构网络中提取网络特征，并通过序列信息提取属性特征。随后，利用交叉注意力机制整合网络和属性特征，并学习药物-靶点对之间的相互作用特征。最终，通过全连接层（Fully Connected Layer, FCL）进行DTI预测。
在技术方法方面，研究人员构建了一个包含药物、靶点、疾病和副作用的异构网络，并使用Large-scale Information Network Embedding（LINE）算法提取网络特征。同时，采用Frequent Continuous Subsequence（FCS）算法从药物的SMILES序列和靶点的氨基酸序列中提取属性特征。交叉注意力机制被用于整合网络和属性特征，并捕捉药物与靶点之间的相互作用。
研究结果表明，MFCADTI在两个公开数据集（Luo_data和Zeng_data）上的表现优于多种现有方法，平均AUC（Area Under the Receiver Operating Characteristic curve）达到0.948，AUPR（Area Under the Precision-Recall curve）达到0.927。此外，通过不同特征组合的对比实验，发现整合网络和属性特征的方法显著优于单一特征方法。在冷启动实验中，MFCADTI展现了良好的鲁棒性，即使在缺乏已知相互作用数据的情况下，仍能准确预测新的药物-靶点对。
在讨论部分，研究人员指出，MFCADTI通过融合网络和属性特征，充分利用了异构网络的拓扑信息和生物序列的属性信息，从而提高了预测性能。未来的研究将探索基于异构图神经网络（如HetGNN）的方法，以进一步挖掘生物网络中不同实体之间的关系，提升模型的特征学习能力和预测准确性。总体而言，MFCADTI为药物-靶点相互作用预测提供了一种高效、准确的新方法，有望推动药物发现和再定位领域的研究进展。
