基于多滤波器的符号异质图卷积网络在药物-靶标激活/抑制机制预测中的创新应用

针对药物-靶标相互作用(DTIs)激活/抑制机制预测的难题，研究人员提出多滤波器符号异质图卷积网络(MFSHGCN)，通过构建符号化药物-靶标子图和药物-药物相干性子图，利用双滤波器融合正负边信息，显著提升预测精度。该模型不依赖额外节点属性或靶标互作数据，在乳腺癌和肺癌案例中验证了可行性，为药物发现提供新工具。

　　

药物研发过程中，明确药物与靶标蛋白之间的激活(activation)或抑制(inhibition)机制至关重要。例如治疗帕金森病的罗替戈汀通过激活多巴胺受体发挥作用，而多潘立酮则通过抑制同一受体治疗消化不良。然而，目前约六分之一的小分子药物作用机制尚未明确，传统实验方法又存在耗时长、成本高的问题。虽然已有计算模型尝试预测药物-靶标相互作用(DTIs)，但多数忽视了对激活/抑制机制的区分，且依赖额外的药物-药物相互作用(DDIs)或蛋白质-蛋白质相互作用(PPIs)数据，在数据缺失时表现受限。

针对这一挑战，深圳智能生物信息学重点实验室的研究团队在《Methods》发表创新研究，提出多滤波器符号异质图卷积网络(MFSHGCN)。该工作首次将药物-靶标网络建模为包含符号化DTIs子图和药物相干性子图的异质网络，通过双滤波器设计分别处理正负边信息，在不依赖额外节点属性或互作数据的情况下，实现了激活/抑制机制的高精度预测。研究显示，引入药物相干性特征可使预测指标显著提升，在乳腺癌和肺癌的案例研究中验证了模型的实用价值，为精准药物设计提供了新范式。

关键技术方法包括：1)从DrugBank数据库构建符号化DTIs数据集，将激活/抑制关系编码为带符号边；2)基于药物对共同靶标的作用一致性建立符号化药物-药物子图；3)设计多滤波器系统处理异质图的正负边谱信息；4)采用端到端框架整合图卷积与预测任务。实验使用两个独立数据集验证，比较了仅使用DTIs子图(MFSHGCN_O_DTI)和联合使用药物子图(MFSHGCN_SignedDrugpairs)的模型表现。

【Materials】
研究扩展了Zhang等人和Chen等人的数据集，通过DrugBank标注将DTIs分类为激活(+)或抑制(-)边。构建的符号异质图包含两类子结构：药物-靶标相互作用子图G_DT
=(V_D
∪V_T
,A_DT
)和基于药物相干性的药物子图G_D
=(V_D
,A_D
)。

【Overview】
模型创新性体现在三方面：1)将DTIs机制预测转化为符号网络上的边符号预测；2)利用药物对靶标作用的一致性(相干性)构建辅助子图；3)设计双滤波器分别处理异质图中不同符号边的谱信息。框架可灵活适应不同数据完备性场景。

【Experiments】
在Dataset1和Dataset2上的对比实验表明，引入药物相干性特征的MFSHGCN_SignedDrugpairs显著优于基线模型。消融实验证实多滤波器系统和符号药物子图的贡献独立于节点属性信息。乳腺癌和肺癌案例显示，模型能准确预测已知药物的作用方向，并发现潜在的新机制。

【Conclusion】
该研究突破传统DTIs预测的局限，首次将药物相干性拓扑特征与多滤波器图卷积相结合。方法学创新在于：1)通过符号异质图统一表征激活/抑制机制与药物协同效应；2)解决符号异质图上的谱滤波难题；3)建立不依赖丰富节点属性的轻量级预测框架。这不仅推进了计算药物发现方法的发展，也为理解多药联合作用机制提供了新视角。

研究获得国家自然科学基金(62272288)、湖南省重点研发项目(2024AQ2020)等支持，相关技术已申请专利。团队指出，未来可进一步整合药物化学特征与靶标结构信息，并扩展至多靶标协同作用预测领域。