
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度加权残差注意力的快速药物—靶点相互作用预测框架
《BMC Bioinformatics》:Efficient and generalizable deep attention with weighted residuals for drug-target interaction prediction
【字体: 大 中 小 】 时间:2026年11月19日 来源:BMC Bioinformatics 4.4
编辑推荐:
摘要准确预测DTI(药物-靶点相互作用)对于药物重定位和新疗法研发至关重要。尽管深度学习和计算能力不断发展,DTI预测仍然是一项耗时的任务。而且,大多数现有方法忽视了差异化加权残差注意力机制对模型性能的影响,这可能会限制其预测性能。为解决这些局限,我们提出DWRA-DTI(深度加
准确预测DTI(药物-靶点相互作用)对于药物重定位和新疗法研发至关重要。尽管深度学习和计算能力不断发展,DTI预测仍然是一项耗时的任务。而且,大多数现有方法忽视了差异化加权残差注意力机制对模型性能的影响,这可能会限制其预测性能。为解决这些局限,我们提出DWRA-DTI(深度加权残差注意力-DTI),这是一种新型DTI预测框架,通过整合精简的预处理策略和早停策略,在不牺牲准确率的情况下实现一分钟以内的推理时间。具体而言,首先利用图卷积编码器将药物和蛋白质特征矩阵编码为统一维度的嵌入表示,随后通过加权残差注意力模块对其进行融合,以捕捉复杂的相互作用模式。融合后的表征再输入多层感知机(MLP),以预测潜在的相互作用。本研究通过消融实验考察不同残差注意力权重的影响,结果表明,加权残差注意力能够有效提升模型性能。所提出的模型在多个数据集上均取得了卓越成果,为推进当前药物-靶点相互作用预测方法提供了一条有前景的途径和宝贵见解。
准确预测DTI(药物-靶点相互作用)对于药物重定位和新疗法研发至关重要。尽管深度学习和计算能力不断发展,DTI预测仍然是一项耗时的任务。而且,大多数现有方法忽视了差异化加权残差注意力机制对模型性能的影响,这可能会限制其预测性能。为解决这些局限,我们提出DWRA-DTI(深度加权残差注意力-DTI),这是一种新型DTI预测框架,通过整合精简的预处理策略和早停策略,在不牺牲准确率的情况下实现一分钟以内的推理时间。具体而言,首先利用图卷积编码器将药物和蛋白质特征矩阵编码为统一维度的嵌入表示,随后通过加权残差注意力模块对其进行融合,以捕捉复杂的相互作用模式。融合后的表征再输入多层感知机(MLP),以预测潜在的相互作用。本研究通过消融实验考察不同残差注意力权重的影响,结果表明,加权残差注意力能够有效提升模型性能。所提出的模型在多个数据集上均取得了卓越成果,为推进当前药物-靶点相互作用预测方法提供了一条有前景的途径和宝贵见解。