基于对比学习的GluN1/GluN3A抑制剂筛选模型CLG-DTA：突破神经疾病治疗靶点发现瓶颈

为解决GluN3A-NMDA受体靶向药物发现效率低下的难题，研究人员开发了创新性药物-靶点亲和力预测方法CLG-DTA。该技术融合图对比学习与自然语言监督，通过将回归标签文本化并构建数值知识图谱，成功从1800万化合物库中筛选出12个候选分子，其中5个（特别是Boeravinone E，IC50 =3.40±0.91μM）展现出显著活性，为神经疾病治疗提供了新工具。

　　

含GluN3A的NMDA受体（N-methyl-D-aspartate receptor）近年成为神经疾病治疗的热门靶点，但传统高通量筛选方法存在明显局限。这项研究提出的CLG-DTA模型，巧妙地将图对比学习（graph contrastive learning）与自然语言监督相结合——通过把亲和力数据转化为文本表征，并与分子结构特征深度融合，构建出能精确模拟药物-靶点相互作用的多模态预测系统。

研究团队采用数值知识图谱（numerical knowledge graph）技术对连续文本嵌入进行优化，使模型能同时处理结构化和非结构化数据。在对1800万化合物的大规模筛选中，CLG-DTA成功锁定12个潜在抑制剂。实验验证显示，其中5个化合物具有显著生物活性，尤其植物源性化合物Boeravinone E表现出最强抑制效力（半抑制浓度IC₅₀
=3.40±0.91微摩尔）。

该突破不仅为GluN1/GluN3A受体调节剂的开发提供了高效计算工具，其创新的多模态学习方法更为复杂靶点的药物发现开辟了新路径。那些困扰科研人员的分子相互作用建模难题，或许正随着这类智能算法的进化迎来转机。