AE+GAE混合模型：图神经网络回归中结构与语义特征检测的创新方法

针对现有图神经网络(GNN)在药物效力预测中忽视节点属性与局部结构关联异质性的问题，研究人员提出AE+GAE混合模型，通过自动区分结构依赖型与语义独立型特征，显著提升pIC50 和结合亲和力预测精度，为药物发现提供新范式。

　　

在生物医药领域，准确预测药物与靶蛋白的相互作用强度是药物研发的核心挑战。传统方法依赖耗时费力的实验测定结合亲和力（Binding Affinity）和半数抑制浓度（pIC₅₀
），而基于图神经网络（Graph Neural Network, GNN）的计算模型虽能建模分子图结构，却隐含一个关键缺陷——默认所有原子（节点）属性均受局部化学键（边）影响。事实上，氮、氧等原子类型可能独立于连接方式，这种"结构-语义特征混淆"导致现有GNN模型预测性能受限。

针对这一瓶颈，西班牙NexPandemics项目组与加泰罗尼亚政府支持的研究团队在《Pattern Recognition Letters》发表创新成果。研究者提出AE+GAE混合架构，首次实现节点属性的动态分类处理：通过并行运行自编码器（Autoencoder, AE）和图自编码器（Graph Autoencoder, GAE），配合神经网络权重分配，自动识别需结构感知的特征（如原子电荷）与语义独立的特征（如原子类型）。该模型在药物数据库测试中，较传统GNN、AE等基线方法显著降低均方误差（MSE），尤其对pIC₅₀
预测提升显著。

关键技术包括：1）双通道特征处理框架，同步提取分子图的全局矩阵特征（AE分支）与拓扑关联特征（GAE分支）；2）可学习权重网络动态融合两类特征；3）基于Graph Edit Distance的结构相似性约束。实验采用真实药物分子数据集，以SMILES转换的原子-键图作为输入，对比GCN、GIN等主流GNN架构。

模型设计亮点
研究通过理论分析指出，经典GCN本质是低通滤波器（假设相邻节点特征相似），而GIN更倾向高通滤波。AE+GAE突破性地引入特征级选择机制，避免单一滤波假设导致的偏差。例如在预测抑制HIV蛋白酶活性的任务中，模型自动弱化氮原子类型的结构依赖性，而强化碳链构象的特征关联。

实验验证
在结合亲和力预测任务中，模型对蛋白-药物复合物稳定性的预测误差较基线降低19.7%。特别值得注意的是，对IC₅₀
的跨数据集测试显示，混合模型对结构变异分子具有更强泛化能力，证实其能有效解耦分子特征中的结构噪声与功能信号。

这项研究开创性地将特征异质性建模引入图回归领域，其技术框架可扩展至其他生物分子相互作用预测。正如讨论部分强调，该方法的价值不仅在于性能提升，更在于提供可解释的特征分析维度——研究者可通过权重分布识别关键药效团的结构敏感性，这对理性药物设计具有深远意义。未来工作可探索将该模型与Transformer等架构结合，进一步挖掘多层次分子特征。