综述：药物-靶点相互作用/亲和力预测：深度学习模型与研究进展综述

这篇综述系统梳理了2016-2025年间180种基于深度学习（DL）和图神经网络（GNN）的药物-靶点相互作用/亲和力（DTI/DTA）预测方法，创新性地按输入表征将模型分为序列、结构、复合型等五类，为加速药物发现提供了架构设计与可解释性研究的关键洞见。

　　

药物靶点预测的深度学习革命

Abstract
药物研发是耗时耗资的过程，从靶点结构识别到FDA审批需12-15年，平均耗资18亿美元。传统方法难以捕捉药物-靶点间复杂关系，而深度学习模型通过精确的端到端学习，显著提升了相互作用预测效率。本文系统分析180种DTI/DTA预测模型，为开发更有效药物提供方法论支持。

Introduction
药物开发涉及靶点鉴定、先导化合物优化、临床前/临床试验等阶段，仅万分之一的候选分子能最终上市。药物靶点特异性（DTI）和结合强度（DTA）是核心问题，多药理学现象和药物重定位（Drug repositioning）策略凸显了精准预测的重要性。经典实验方法成本高昂，促使机器学习（ML）和人工智能（AI）成为DTI/DTA预测的新范式。

Input representations
输入表征分为蛋白质和药物两大维度：

• 序列数据：SMILES字符串表示药物分子，氨基酸序列描述蛋白质
• 结构数据：3D晶体结构（如PDB数据库）或分子对接构象
• 复合型数据：融合序列与结构特征，如AlphaFold2预测的蛋白折叠
• 效用网络：整合药物副作用数据库（SIDER）、人类蛋白质互作网络（HPRD）等

Overview of DTI/DTA prediction methods
模型可分为三类主线：

1. 序列基模型：如DeepDTA使用CNN处理氨基酸序列和SMILES
2. 结构基模型：GNN-DTI利用图神经网络解析分子拓扑结构
3. 复合型模型：MATT-DTI结合Transformer与3D卷积

两类衍生方向：

• 复合物基模型：分析药物-靶点共结晶结构（如PDBbind数据集）
• 效用网络模型：整合多组学数据的异构网络（如STITCH数据库）

Databases
关键数据集包括：

• 亲和力数据：Davis（激酶抑制常数）、KIBA（整合多源数据）
• 相互作用数据：BindingDB（实验验证互作）、DUD-E（虚拟筛选基准）
• 生物网络：CTD（化合物-疾病关联）、ToxCast（毒性效应）

Discussion
现存挑战包括模型可解释性不足、阴性样本构建困难等。未来方向建议：

• 开发混合架构（如GNN+Transformer）
• 引入迁移学习应对小样本场景
• 建立标准化评估协议（尤其对临床前数据）

Authorship
由Ali Vefghi领衔的研究团队，通过系统分类与性能对比，为领域研究者绘制了技术路线图。该综述特别强调输入表征与模型架构的协同创新，为精准医疗时代的药物研发提供了AI驱动的解决方案。