基于Kolmogorov-Arnold与残差网络的药物-靶标相互作用精准预测模型KRN-DTI

为解决药物-靶标相互作用（DTI）预测中图卷积网络（GCN）的过平滑和可解释性不足问题，研究人员提出KRN-DTI模型，融合残差连接与Kolmogorov-Arnold网络（KAN），显著提升预测精度并增强模型解释性。实验显示其在基准数据集上优于现有方法，为药物发现提供新工具。

　　

药物研发的核心挑战之一是精准预测药物与靶标蛋白的相互作用（DTI）。传统实验方法虽可靠但成本高昂，而计算模拟方法如分子对接受限于蛋白质三维结构的未知性。近年来，人工智能（AI）尤其是图卷积网络（GCN）被广泛应用，但深层GCN会导致特征信息丢失（过平滑），且模型可解释性差。针对这些问题，中国的研究团队开发了KRN-DTI模型，通过整合残差网络与Kolmogorov-Arnold网络（KAN），在保留拓扑信息的同时提升预测性能。

研究采用的关键技术包括：1）基于DrugBank V3.0和HPRD2009数据库构建药物-靶标异质网络；2）利用GCN提取特征并引入残差连接缓解过平滑；3）结合KAN和注意力机制动态调整权重以增强可解释性。实验使用包含424个DTI的基准数据集，以AUC和AUPR为指标验证性能。

数据来源
研究整合了DrugBank的药物SMILES字符串和HPRD2009的靶标序列，构建异质网络。

实验设置
KRN-DTI在549种药物和1,923个DTI数据集上测试，AUC和AUPR显著优于IMCHGAN、MultiDTI等方法。

结论
KRN-DTI通过残差连接和KAN解决了GCN的过平滑问题，同时提升模型解释性。案例研究证实其能有效预测潜在DTI，为药物发现提供新思路。

意义
该研究不仅推进了DTI预测的准确性，还为复杂生物网络的机器学习模型设计提供了范式，尤其在可解释性方面具有突破性价值。