基于图同构网络与iTransformer的药物-靶标结合亲和力预测模型研究

为解决传统深度学习模型在预测药物-靶标结合亲和力时忽略蛋白质中间表征的问题，研究人员开发了一种整合图神经网络(GNN)和分层注意力机制的新型模型。该模型通过iTransformer模块捕获蛋白质长程依赖性，在Davis和KIBA数据集上分别取得0.229和0.162的MSE，Human和C. elegans数据集AUC达0.982/0.985，为加速药物发现提供新范式。

　　

这项研究突破性地将图同构网络(Graph Isomorphism Network, GIN)与iTransformer架构相结合，构建了预测药物-靶标结合亲和力的深度学习框架。传统方法往往忽视蛋白质的中间层次特征，而新模型通过深度特征工程，利用倒置Transformer模块精准捕获蛋白质序列中的长程依赖性。在药物分子表征方面，采用多尺度图神经网络整合化学信息，配合分层注意力机制实现特征优化。实验数据令人振奋：在经典数据集Davis和KIBA上，模型均方误差(MSE)分别低至0.229和0.162；而在Human和C. elegans相互作用预测中，曲线下面积(AUC)高达0.982和0.985，显著超越现有技术。该成果不仅为药物重定位提供新工具，其创新的iTransformer-GIN架构更为生物分子相互作用研究开辟了新路径。