基于几何对齐的可解释药物-靶点预测：一种替代深度架构复杂性的线性方案

《Molecular Informatics》：Interpretable Drug–Target Prediction via Geometric Alignment: A Linear Alternative to Deep Architectural Complexity

摘要专业翻译 设计选择性激酶抑制剂是一个多目标优化问题，其受到人类激酶组（human kinome）结构保守性以及高质量相互作用数据缺乏的制约。传统深度学习方法通常直接在小型数据集上训练复杂神经网络，且难以泛化至新的化学骨架。为此，研究人员提出几何流形对齐（Geometric Manifold Alignment），一种摒弃架构复杂性的新型线性方法。研究人员引入多视图线性流形（Multi-View Linear Manifold，MVLM），将ChemBERTa（小分子）与ESM-2（蛋白质序列）的潜在空间对齐至一个共享的几何相互作用空间。研究人员在包含473 923个高置信度相互作用的通用基础数据集（Universal Foundation Set）上对MVLM进行预训练，其中结合亲和力以药物与靶点嵌入之间的几何邻近性表示。MVLM在KIBA数据集上取得0.936的AUROC，在Davis数据集上取得0.928的AUROC，在行业标准基准上确立了新的最优性能，显著优于现有方法（p < 0.001）。在本研究中，可解释性体现为几何特性，即相互作用得分是共享流形中的余弦相似度，且学习到的结构在无监督条件下恢复了激酶系统发育关系。研究人员还展示了该模型作为透明发现引擎的实用性，能够检索FDA批准药物的已知临床靶点。研究结果表明，对齐预训练的化学与生物表征为推进计算药物发现提供了一种可扩展且可解释的途径。

论文解读

一、研究背景与问题

人类激酶组包含518种蛋白激酶，它们是细胞信号传导的核心调控因子。当激酶调控失常时，会推动疾病进展，尤其是在癌症中。自2001年伊马替尼获批以来，激酶抑制剂已成为现代肿瘤学的基石。然而，设计选择性抑制剂仍是一项根本性挑战：大多数激酶共享高度保守的活性位点，开发一种能够特异性结合靶点而不产生脱靶毒性的分子极为困难。药物-激酶相互作用的组合规模使得穷举分析不可行，因此亟需高效的计算方法来预测药物-靶点相互作用（drug–target interaction，DTI）。

早期的开创性模型如DeepDTA和GraphDTA通过训练无预训练权重的深度神经网络来处理DTI预测。尽管这些模型展现出一定潜力，但它们通常在小数据集（少于100 000个相互作用）上训练，限制了其向新化学骨架泛化的能力。此外，由于所训练神经网络的复杂性，这些模型缺乏实际药物发现所需的泛化能力和可解释性。

二、研究内容与结论

针对上述问题，研究人员提出几何流形对齐框架，即多视图线性流形（Multi-View Linear Manifold，MVLM）。该框架不从头训练神经网络，而是利用预训练基础模型——ChemBERTa（用于小分子）和ESM-2（用于蛋白质序列）——通过线性投影将其潜在空间对齐至一个共享的512维几何空间，其中结合亲和力对应几何邻近性。MVLM在包含473 923个高置信度相互作用的通用基础数据集上预训练，在KIBA和Davis基准上取得最优性能，同时通过学习到的激酶组几何结构提供可解释性。

该研究的核心创新在于证明：对于激酶聚焦的药物-靶点预测，无需涉及任务特定的深度交互架构，仅通过对齐预训练的化学和蛋白质嵌入于共享线性流形即可实现强性能。MVLM融合了多视图药物编码、大规模通用预训练以及混合对比-判别损失，学习了几何结构化的相互作用空间表征。这种方法为现有深度DTI流程提供了一种概念上不同且计算上更简单的替代方案，同时支持对学习到的流形结构进行分析。数据和模型已公开于https://github.com/deepdrugai/MVLM-DT。

三、关键技术方法

研究人员采用以下主要技术方法开展研究：

第一，构建通用基础数据集（Universal Foundation Set），使用BindingDB（2026年1月发布）数据，覆盖447种人类激酶，通过优先级合并策略解决同一药物-靶点对的冲突测量，最终获得473 923个高置信度相互作用，并以100 nM为活性阈值定义阳性相互作用。采用冷药物分割协议防止数据泄漏。

第二，采用预训练基础模型编码器，药物表示使用ChemBERTa-77M，通过拼接全局分子标记（[CLS]）与所有原子级标记的均值形成768维多视图药物嵌入；蛋白质表示使用ESM-2（35M），从氨基酸序列生成480维向量。

第三，线性流形架构，学习两个投影矩阵分别将药物和蛋白质嵌入映射至共享512维几何空间，经L2归一化后，结合亲和力通过缩放点积（即余弦相似度）计算，温度参数控制缩放。

第四，混合几何损失函数，结合加权二元交叉熵（WBCE）与InfoNCE对比学习损失，每个阳性药物-靶点对与127个随机采样的阴性激酶比较，以增强几何选择性。

第五，两阶段迁移学习协议，先在通用基础数据集上进行通用预训练，再在Davis或KIBA基准上以降低的学习率独立微调。

四、研究结果

1. 通用激酶组性能（冷药物分割）

研究人员在通用基础数据集的10%冷药物留出集上评估MVLM的泛化能力，获得AUROC 0.9189和AUPRC 0.9746。在四种日益严格的分割方案中，冷药物/温靶点表现最佳，双冷分割降至0.7986。值得注意的是，冷靶点泛化（0.844）超过骨架泛化（0.808），表明激酶组中保守的结合口袋结构使蛋白质侧外推比骨架级化学外推更可行。在去除与预训练语料重叠化合物后的严格KIBA基准上，MVLM仍保持AUROC 0.930和AUPRC 0.977，证明其学习了可迁移的物理化学相互作用模式而非记忆训练化合物。

2. 与最优方法比较

在Davis和KIBA基准上，MVLM分别取得AUROC 0.928和0.936，均优于DeepDTA、GraphDTA、MolTrans、DrugBAN、ConPLex、MDF-DTA、InceptionDTA和iNGNN-DTI等基线方法。在KIBA上，MVLM的AUPRC达0.977，远超iNGNN-DTI的0.753。与同样基于预训练语言模型嵌入的PMMR和MGF-DTA相比，MVLM在严格KIBA基准上以AUROC 0.930和AUPRC 0.977全面胜出。配对McNemar检验证实MVLM相对InceptionDTA的提升具有统计学显著性（χ2 = 1629.9，p < 10?1?）。

3. 消融研究

研究人员从单视图线性基线开始逐步添加组件：混合对比损失带来最大单项提升（+0.035 AUROC），多视图药物输入贡献+0.018，通用预训练贡献+0.020，最终达到0.936 AUROC。此外，与在拼接ChemBERTa和ESM-2特征上训练的非线性基线（深度MLP、随机森林、XGBoost）相比，MVLM以纯线性点积交互在Davis上取得0.928 AUROC，证明几何对齐本身而非嵌入质量驱动了性能提升。

4. 发现引擎验证

研究人员将MVLM应用于15种FDA批准的激酶抑制剂面板，在447种激酶中检索其已知临床靶点。MVLM实现MRR 0.630、Recall@5达80.0%、中位秩为2。阿司匹林作为阴性对照未返回任何高置信度激酶靶点。平均EF@5为68.1，较MolTrans的40.4提升1.69倍。三个排名异常值（bosutinib、crizotinib、ribociclib）均具有生物学可解释性。

5. 定量流形可解释性

研究人员通过k-NN纯度（k=5）评估激酶家族聚类，MVLM将全局纯度从原始ESM-2嵌入的69.8%提升至82.9%，酪氨酸激酶家族纯度从70.5%提升至85.3%，CMGC家族纯度从78.2%提升至86.5%，证实流形对齐主动重组了蛋白质嵌入空间，超越了ESM-2单独编码的结构。

五、讨论与结论

研究人员指出，ChemBERTa和ESM-2已编码丰富的化学与进化信息，主要挑战在于将两个预训练嵌入空间对齐至共同几何框架，而非学习新表征。激酶-配体相互作用能被基础模型嵌入充分捕捉，这些嵌入空间在很大程度上是线性可对齐的。MVLM的相互作用得分可直接解读为余弦相似度，激酶家族在共享流形中的聚类表明其保留了系统发育组织而无需显式监督。与深度架构相比，MVLM使用预训练嵌入和线性投影，最小化模型复杂性和过拟合风险。计算效率方面，训练仅涉及两个投影矩阵，推理简化为单次点积运算，支持大规模虚拟筛选。

局限性方面，线性可对齐假设对具有保守结构基序的激酶特别适用，可能无法泛化至更多样化的蛋白质家族；模型性能依赖基础模型嵌入的质量和覆盖范围；当前框架未纳入三维结构动力学或细胞环境。未来工作应将该对齐策略扩展至更广泛的目标类别，并研究结构数据、突变信息和疾病特定背景的整合。此外，可探索层选择性迁移学习作为统一编码器冻结的原则性替代方案。

研究结论：研究人员将药物-靶点相互作用预测重构为几何对齐问题而非特征学习问题。消融研究和发现引擎验证支持MVLM在KIBA和Davis基准上取得最优性能，证明数据规模和表征质量优于架构复杂性。学习到的流形捕捉了激酶组可迁移且具有生物学意义的几何结构，提供了黑盒深度学习方法所缺乏的可解释性。该研究表明，利用预训练基础模型的潜在知识为扩展激酶聚焦药物发现至更广泛的可成药蛋白质组提供了一条可扩展且透明的路径。