基于风驱动优化门控循环单元(DTIP-WINDGRU)的药物-靶标相互作用预测新方法

本研究针对药物-靶标相互作用(DTI)预测中数据不平衡、计算复杂度高等问题，开发了融合风驱动优化(WDO)和门控循环单元(GRU)的DTIP-WINDGRU模型。通过D-D/T-T相互作用初始化权重和WDO超参数优化，在酶、GPCR等四类数据集上实现AUC最高达99.26%，为药物重定位和个性化医疗提供高效计算工具。

　　

药物开发过程中，准确预测药物与靶标蛋白的相互作用(Drug-Target Interaction, DTI)是缩短研发周期、降低失败率的关键。然而传统实验室方法耗时费力，且面临阴性样本缺失、数据不平衡等挑战。虽然机器学习方法如DeepDTA、GraphDTA等取得进展，但在处理长序列依赖性和超参数优化方面仍有局限。

针对这些问题，印度韦洛尔理工学院(Vellore Institute of Technology)的研究团队在《BMC Bioinformatics》发表创新研究，提出DTIP-WINDGRU模型。该工作通过整合门控循环单元(GRU)的时序处理能力和风驱动优化(WDO)算法的智能调参，在酶、GPCR等四类靶标数据集上实现AUC最高99.26%，较现有方法提升显著。

研究方法上，团队首先采用Smith-Waterman算法计算靶标序列相似性（公式1），将蛋白质序列转化为时间序列数据。GRU模块通过更新门（公式4-5）和重置门（公式6-7）捕捉长程依赖关系，WDO算法则基于牛顿第二定律（公式9-16）动态优化超参数。实验使用Yamanishi金标准数据集，包含2926个酶相互作用和90个核受体相互作用等。

主要结果

1. 数据预处理：通过KlekoTa Roth指纹和PubChem指纹构建药物特征，Smith-Waterman标准化相似性（公式1）处理靶标序列，有效解决数据稀疏性问题。

2. 模型性能：在酶数据集上达到98.77% AUC（表4），较UDTPP方法提升12.77个百分点；核受体数据集AUPR达89.65%（表5），比PULBLM-7提高30.65个百分点。

3. 新相互作用预测：发现如核受体hsa2100与药物D00554（结合置信度0.7089）等20个潜在相互作用（表6），部分经KEGG等数据库验证。

4. 算法优势：WDO优化使AUPR提升7.61-14.51%（表7），证明其比网格搜索更高效（图7-8）。

讨论指出，该模型突破传统方法依赖靶标三维结构的限制，通过GRU处理原始序列特征（图2），结合D-D/T-T相互作用权重初始化（图1），显著提升对新药靶标的预测能力。特别是在COVID-19药物重定位和罕见病靶标发现中展现应用潜力。未来可进一步整合多组学数据和知识图谱，推动个性化医疗发展。

这项研究为计算药物发现提供了新范式，其开源代码和预测结果将促进领域协同创新。正如作者强调，DTIP-WINDGRU的工程化实现（图1流程）标志着AI驱动药物研发从理论走向实践的重要一步。