DVNDTA：一种基于双重虚拟节点的异构交互模型，用于精准预测药物与靶点的亲和力

《BMC Bioinformatics》：DVNDTA: a dual virtual node based heterogeneous interaction model for accurate prediction of drug-target affinity

　　

摘要

高效预测药物与靶标的亲和力对于加速药物发现至关重要。近年来，基于3D复合物的深度学习方法在药物-靶标亲和力预测方面展现出巨大潜力。然而，这些方法大多仅关注结合位点处的局部结构信息来了解非共价相互作用，这可能限制了它们捕捉复杂结合机制的能力。本文提出了一种基于双虚拟节点的异质相互作用模型DVNDTA，该模型通过两个虚拟节点将药物和靶标口袋的全局上下文信息纳入亲和力预测中。这种动态加权的全球-局部协同感知机制提升了DVNDTA捕捉药物-靶标结合模式的能力。此外，随着网络层级的加深，虚拟节点的状态会不断更新，从而实现全局信息与局部信息之间的双向反馈机制。这种对特征表示的迭代优化为药物-靶标结合过程中的相互调整提供了一种抽象的计算表征。在多个基准数据集上的实验结果表明，DVNDTA的性能优于现有的最优亲和力预测模型，且具有良好的性能和泛化能力。