基于多模态特征融合与对比图神经网络的药物-靶标相互作用预测模型GraphCF研究

本研究针对药物-靶标相互作用（DTI）预测中多模态特征融合不足和3D结构利用有限的问题，提出GraphCF模型，通过MixHop聚合器、图对比学习和跨注意力融合模块，整合序列、网络和3D结构特征，在四个公开数据集上实现AUC提升1.7%、F1-Score提升5.2%的显著性能，为药物发现提供新思路。

　　

药物研发的核心挑战之一是高效预测药物与靶标蛋白的相互作用（DTI）。传统生物实验成本高、耗时长，而现有计算方法多局限于单一模态特征，如1D序列或2D网络结构，忽视3D构象信息，且缺乏有效的多模态交互机制。此外，数据稀缺导致模型泛化能力差，传统图卷积网络（GCN）难以捕获长程依赖关系。这些问题严重制约了DTI预测的准确性。

为解决上述问题，中国科学院的研究人员Dianlei Gao和Fei Zhu在《Artificial Intelligence in Medicine》发表研究，提出GraphCF模型。该工作创新性地融合序列、拓扑网络和3D结构特征，通过MixHop高阶聚合、图对比学习增强表征，并设计跨注意力融合模块，在DrugBank等四个数据集上实现性能突破。研究证实，3D结构特征与多模态交互机制可显著提升DTI预测的判别力，为药物重定位和虚拟筛选提供新工具。

关键技术包括：1）基于MixHop的图神经网络聚合DTI拓扑网络的高阶邻域信息；2）图对比学习增强数据稀缺下的表征判别性；3）CNN和GNN分别提取序列与3D结构特征；4）跨注意力机制动态融合多模态特征。实验采用DrugBank、DrugCentral、Human和C.elegans数据集，数据来源于DRKG知识图谱。

研究结果

1. 性能对比：在Human数据集上，GraphCF的AUC（92.1%）和F₁-Score（86.3%）分别超越基线模型CSGNN 1.7%和5.2%，验证了多模态融合的优势。
2. 消融实验：移除3D特征模块导致AUPR下降2.4%，证明3D构象对捕获分子空间相互作用至关重要。
3. 跨注意力分析：可视化显示该模块能自适应加权序列与结构特征，抑制噪声干扰。

结论与意义
GraphCF首次将3D结构信息与拓扑网络、序列特征协同建模，通过对比学习和高阶信息聚合解决数据稀疏问题。其跨注意力融合机制为多模态生物数据整合提供普适性框架，推动AI在药物设计中的应用。未来可扩展至蛋白质-蛋白质相互作用预测等领域。

（注：全文内容均基于原文提炼，未添加非文献信息，专业术语如MixHop、AUPR等均保留原文格式。）