融合双模态信息与监督对比学习的药物-靶点相互作用预测模型DHF-DTI

《BMC Bioinformatics》：DHF-DTI: a dual-modality hybrid fusion framework for drug-target interaction prediction

　　摘要背景预测药物-靶点相互作用（DTI）的高效计算方法对于药物发现、缩短开发周期和降低成本至关重要。尽管深度学习在该领域取得了显著进展，但现有方法在处理多模态数据时往往难以充分利用不同模态之间的互补信息。此外，仅依赖分类损失难以在潜在空间中学习到具有高区分度的特征表示，这严重限制了模型的鲁棒性和域泛化能力。结果为解决上述问题，本研究提出了DHF-DTI，一种双模态神经网络模型，整合了药物和蛋白质的序列信息与图结构信息以进行DTI预测。为实现模态间的深度信息交互，本文设计了交叉注意力与双线性融合模块（CABFusion），该模块在捕捉全局上下文依赖的同时增强了局部特征的细粒度融合。为进一步改善泛化能力和类间可分性，引入了有监督对比学习来优化特征空间分布。在域内、跨域和冷启动场景下的实验表明，DHF-DTI在预测性能和泛化能力方面显著优于当前最优方法。结论本文还进行了案例研究、药物特征可视化和误差分析，以全面验证该模型在实际药物发现中的应用潜力。总体而言，DHF-DTI有效克服了双模态特征融合不充分和区分能力有限的挑战，为构建更高效、更准确的药物发现流程奠定了基础。