HierL2GDTA：融合局部与全局特征的分层交互建模用于药物–靶点亲和力预测

《Molecules》：HierL2GDTA: Hierarchical Interaction Modeling with Local and Global Features for Drug–Target Affinity Prediction

　　

准确预测药物–靶点结合亲和力（drug–target binding affinity）对药物发现至关重要。然而，现有方法在捕获局部与全局分子特征以及有效整合蛋白质和配体表示以进行相互作用建模方面仍存在局限。在此，研究人员提出HierL2GDTA，一种基于序列的分层框架，用于预测结合亲和力。预训练蛋白质和分子表示经多尺度卷积（multi-scale convolution）处理以提取局部特征，随后分别采用双向门控循环单元（bidirectional gated recurrent unit, BiGRU）和空洞卷积（dilated convolution）捕获更广泛的蛋白质和配体上下文。改进的Transformer编码器通过顺序交叉注意力（sequential cross-attention）整合全局蛋白质上下文与配体特征，以建模分子内和分子间依赖性。HierL2GDTA在BindingDB和Davis上优于所评估的基线方法。进一步评估证明了模型组件的有效性以及在选定激酶家族中的良好预测性能。注意力可视化突出了与蛋白质结合相关的分子子结构，而回顾性筛选将疾病相关靶点的已知抑制剂排在领先候选化合物中。这些结果表明，HierL2GDTA是一种有效的结合亲和力预测深度学习方法，并具有用于基于靶点的药物筛选的潜力。

研究背景：蛋白质与小分子相互作用是多种生物过程的基础，也是许多治疗干预的分子基础。量化药物–靶点结合亲和力是药物发现的基础任务。实验测定解离常数K_d、抑制常数K_i和半数抑制浓度IC₅₀可提供可靠结合强度估计，但面对大规模化学库时成本高、耗时长；分子对接和基于物理的自由能计算受计算效率与预测精度权衡限制。深度学习（DL）已广泛用于该任务，按输入表示主要分为基于序列和基于结构的方法。结构方法可直接利用几何和分子间相互作用信息，但性能依赖结构的可用性和质量，计算成本随表示复杂度增加，且即使几何上合理的蛋白–配体构象也可能无法恢复关键分子间相互作用；I-INF被用于量化预测与参考链间相互作用的一致性。序列方法适用性更广，但现有多尺度局部特征、长程依赖及蛋白–配体交互信息整合仍不足。因此，研究人员提出HierL2GDTA，将局部与全局特征提取同分子内、分子间分层交互建模结合，并在BindingDB和Davis上评估；结果显示其优于评估的基线方法，消融支持关键组件贡献，注意力可视化显示结合相关子结构，回顾性筛选将已知抑制剂排在前列，表明其可作为基于靶点药物筛选的有效深度学习方法。

关键技术方法：使用BindingDB和Davis公开数据集；BindingDB由3,048,285条记录经多步过滤得69,856个唯一蛋白–配体对，Davis含30,056个激酶–抑制剂对，涉及442个激酶靶点和68个抑制剂；K_d转换为pK_d，按7:2:1随机划分。模型采用ESM-2 650M与ChemBERTa-77M-MTR冻结编码，多尺度一维卷积（核1、3、5），蛋白BiGRU、配体并行空洞卷积（核3、膨胀率1、2、4），改进Transformer编码器的自注意力及蛋白到上下文、蛋白到配体交叉注意力，掩码注意力池化与三层前馈神经网络（FFN），均方误差（MSE）损失和AdamW优化。

研究结果：2.1 参数设置：在PyTorch 2.13.0和单NVIDIA RTX PRO 6000 GPU上实现，ESM-2 650M与ChemBERTa-77M-MTR嵌入维度分别为1280和384，多尺度卷积分支640通道，d_model=384、4头、dropout 0.15；AdamW批大小150、学习率1×10^?4、权重衰减1×10^?4，MSE损失，梯度裁剪5.0；Davis最多70轮、BindingDB 100轮，早停耐心15和20，选验证MSE最低检查点。2.2 竞争方法比较：在BindingDB和Davis训练、验证、测试集上同DeepDTA、DeepAffinity、GraphDTA、MRBDTA、AttentionDTA、MutualDTA比较，HierL2GDTA在BindingDB六项指标均最佳：MSE 0.568、MAE 0.483、RMSE 0.754、R² 0.830、Pearson 0.917、ρ 0.890；较最佳竞争结果MSE、MAE、RMSE降约21.33%、14.36%、11.29%，R²、Pearson、ρ增0.046、0.024、0.013。Davis上亦最佳：0.251、0.278、0.501、0.688、0.844、0.677；较最强竞争MSE、MAE、RMSE降约11.62%、4.47%、6.00%，R²、Pearson、ρ增0.041、0.024、0.014。三次独立随机划分和蛋白基冷划分进一步支持稳健性和对未见蛋白靶点的预测能力。2.3 消融研究：11项消融在Davis进行，去除两个交叉注意力使MSE从0.251升至0.711、Pearson从0.844降至0.412；单独去除蛋白到配体交叉注意力MSE 0.708、Pearson 0.417，去除蛋白到上下文交叉注意力MSE 0.352、Pearson 0.782；双预训练换one-hot使MSE 0.368、Pearson 0.744，单独替换蛋白或配体预训练MSE 0.335和0.317；其余组件去除MSE 0.283–0.323。结论为所有评估组件均有贡献，交叉注意力和预训练表示尤为重要。2.4 参数分析：在Davis分析融合深度、交叉注意力层分配和d_model；两个融合块总体最佳，更少降低性能、更多无一致改善；单独增加蛋白到上下文或蛋白到配体交叉注意力层无进一步收益；中等表示维度较稳定，较小维度下降，384最佳平衡，更大无一致改善；最终采用两个融合块、各含一个蛋白到上下文和一个蛋白到配体交叉注意力层，d_model=384。2.5 子结构感知药物特征提取：由蛋白到配体交叉注意力权重生成原子级注意力可视化，从Davis和BindingDB测试集选4对检查前15高排名配体原子与结合位点相互作用；碳酸酐酶II–FSB中磺酰胺基团和苯环高分，分别与Thr199形成氢键、与His94形成π–π接触；ABL2–伊马替尼中取代2-氨基嘧啶和酰胺连接子高分，与Thr361、Glu332、Asp427形成氢键；ABL1–PD173955中苯环6个碳高分并与Lys271形成阳离子–π接触，3-(甲硫基)苯胺基高分，苯胺–嘧啶连接与Met318形成两个氢键；KIT–舒尼替尼中5-氟羟吲哚高分，O27和N25分别与Cys673、Glu671形成氢键。并非每个高分原子均能直接对应注释接触，但若干高亮子结构参与蛋白–配体相互作用，支持模型识别结合相关子结构并提供化学可解释基础。2.6 蛋白家族预测性能：在Davis测试集选12个至少20对蛋白–配体对的激酶家族，包括EGFR、PDGFR、FGFR、JAK、I类PI3K、RET、CAMKL、CDK、STE20、Abl、RAF、Src；11/12家族Pearson>0.85，I类PI3K、RET、FGFR、JAK、EGFR、PDGFR、CAMKL>0.90；EGFR、PDGFR、CAMKL分别114、131、116测试对，跨15、18、19个激酶条目；CDK、Abl、STE20相关为0.885、0.865、0.857；STE20最大子集188对跨27条目，MSE 0.202；RAF Pearson 0.904但MSE 0.469，两个高亲和力对被低估且占总平方误差75.7%；Src最低Pearson 0.784，实验pK_d范围较窄5.000–7.824。结论为在选定激酶家族中预测性能良好，但家族间相关性受实验亲和力分布影响。2.7 疾病相关靶点化合物优先级：用Davis测试集按预测结合亲和力在靶点子集内排序；EGFR激活变体是非小细胞肺癌（NSCLC）治疗靶点，EGFR(E746A750del)七对中吉非替尼第一，预测pK_d 8.65、实验9.27；EGFR L858R突变22对中厄洛替尼第一，预测8.45、实验9.01；EGFR(S752I759del)十对中canertinib第一，预测9.69、实验9.72；EGFR及变体全部96对中canertinib、吉非替尼、厄洛替尼为前三不同化合物。ABL1是BCR–ABL1融合蛋白激酶组分，驱动慢性髓性白血病（CML）；七对ABL1–配体中伊马替尼第二，预测7.47、实验8.96，第一为PD173955，预测8.91、实验8.82；两者实验亲和力最高但预测顺序反转。已知抑制剂进入最高排名支持其用于疾病相关靶点化合物筛选优先级。

讨论部分总结：HierL2GDTA以预训练语言模型生成蛋白和分子表示，经多尺度局部特征提取和不同编码机制捕获更广上下文依赖，再以分层注意力融合将全局蛋白信息和配体特征整合到蛋白表示，连接分子内依赖建模与分子间相互作用学习。基准评估显示更低预测误差和更强相关性；消融支持特征提取与融合组件贡献，蛋白到配体交叉注意力贡献较大，双预训练表示替换为one-hot后性能下降支持联合使用。原子级注意力图显示与蛋白结合相关官能团和芳香子结构，提供定性解释；回顾性筛选将已知EGFR和ABL1抑制剂列入最高排名。讨论指出预训练嵌入虽提供信息性上下文表示，但部分理化及结合相关信息仅被隐式捕获；未来纳入补充结构和相互作用特征、研究相互作用恢复指标和适配界面一致性度量，以评估建模结合界面保真度并探索作为先验信息评分信号指导训练优化。研究结论翻译：这些发现支持用于亲和力预测的分层局部到全局表示学习，并表明HierL2GDTA可帮助优先筛选针对疾病相关靶点的化合物。