《International Journal of Molecular Sciences》：A Length-Adaptive LLM-Enhanced Method for Drug–Target Interaction Prediction
编辑推荐：
药物—靶标相互作用（drug–target interaction, DTI）预测是药物重定位的核心。尽管现有方法整合了多维特征并取得了一定进展，但其仍严重依赖分子结构或图结构信息。这使其难以捕获复杂的生物医学语义关联，导致语义信息不足。为解决这一问题，本文提
药物—靶标相互作用（drug–target interaction, DTI）预测是药物重定位的核心。尽管现有方法整合了多维特征并取得了一定进展，但其仍严重依赖分子结构或图结构信息。这使其难以捕获复杂的生物医学语义关联，导致语义信息不足。为解决这一问题，本文提出BioLA-DTI，一种大语言模型（large language model, LLM）增强的药物—靶标相互作用预测方法。该方法利用LLM为药物和蛋白质提供语义信息。此外，现有方法对长度差异显著的蛋白质采用统一加权策略，这会为短蛋白引入噪声，并对长蛋白表征不足。为应对由蛋白质长度变化引起的特征不平衡问题，本研究设计了长度自适应融合模块。该模块基于蛋白质序列的实际长度，在LLM导出的语义特征与结构特征之间进行动态加权。基于两个基准数据集的实验表明，BioLA-DTI在多项评估指标上优于现有基线方法，尤其在冷启动场景下表现突出。案例研究表明，该模型可为药物发现提供有价值的参考。消融研究进一步证实了LLM增强模块与长度自适应模块的关键作用。
该论文发表于《International Journal of Molecular Sciences》，围绕药物—靶标相互作用（drug–target interaction, DTI）预测中的语义缺失与蛋白质长度异质性问题，提出了一种长度自适应、大语言模型（large language model, LLM）增强框架BioLA-DTI。研究背景在于，药物发现过程周期长、成本高且风险大，而DTI识别是其中的关键瓶颈。现有计算方法虽然已广泛采用深度学习，并融合药物序列、分子图、蛋白质序列等多源信息，但多数方法仍以分子结构或图结构为主，缺乏对生物医学先验语义知识的有效引入，因而难以刻画复杂的药物—蛋白语义关联。此外，现有模型通常对所有蛋白质采用统一的特征处理和融合机制，忽视了蛋白质序列长度的显著差异。论文指出，短蛋白的功能位点相对集中，局部序列和共进化信号往往已足以支撑功能编码；而长蛋白通常具有多结构域串联特征，关键残基稀疏分布，仅依赖原始序列表征难以捕捉长程协同与跨结构域耦合。因此，针对不同长度蛋白质设计差异化融合机制具有明确的生物学与计算学依据。
为系统解决上述问题，研究人员提出BioLA-DTI。该方法的核心思想是：一方面，引入BioGPT与PubMedBERT等生物医学预训练语言模型，为药物与蛋白质构建富含生物医学语义的文本表示，以补足传统结构与序列特征的知识缺口；另一方面，根据蛋白质长度分布设计长度自适应融合模块，以300和800个氨基酸残基作为分界，将蛋白划分为短、中、长三组，并为各组分配可学习权重，从而动态调节LLM语义特征与原始结构/序列特征的融合比例。短蛋白降低外部语义信息占比以避免引入冗余噪声，长蛋白则提高LLM知识补偿强度以增强表示能力。在此基础上，模型进一步结合门控机制与可学习多头注意力机制，以加强药物与蛋白多模态特征之间的深层交互建模。
方法概括方面，研究主要使用了以下关键技术：以BioSNAP和BindingDB两个公开基准数据集作为验证队列；采用DO-Conv2d提取药物SMILES与蛋白质序列局部特征，使用图卷积网络（graph convolutional network, GCN）提取药物分子图特征；借助BioGPT生成药物和蛋白的描述文本，再由PubMedBERT编码得到语义嵌入；设计基于蛋白真实长度的长度自适应加权融合模块；通过可学习多头注意力实现药物图特征、药物序列特征与蛋白特征的跨模态交互；最终使用多层感知机（multi-layer perceptron, MLP）完成二分类预测，并采用PolyLoss优化难分类正样本学习。
研究结果部分可概括如下。
2.1. Baseline
研究人员选取DeepConv-DTI、MolTrans、TransformerCPI、GraphDTI、MCANet、DrugBAN、MGNDTI和MGMA-DTI等当前代表性模型作为基线，在BioSNAP和BindingDB两个数据集上进行系统对比，为BioLA-DTI的性能评估建立了充分参照。
2.2. Analysis of Performance
在BindingDB数据集上，BioLA-DTI在AUROC、recall和F1 score上取得最佳结果，显示出较强的预测准确性和分类可靠性。尽管AUPRC和accuracy略低于MGMA-DTI，但差距很小。更重要的是，在更能反映实际应用价值与泛化能力的冷启动实验中，该模型明显优于MGMA-DTI，说明其在未知药物—靶标对预测方面具有更强适用性。
在BioSNAP数据集上，该方法在四项关键指标上优于全部基线模型，尤其AUROC和AUPRC提升超过1.5个百分点，表明模型具有更强的整体判别能力和预测能力。论文同时分析了不同基线的设计特点：如MGMA-DTI受益于图聚合模块，在局部分子子结构特征提取上具有优势，但缺乏预训练语义增强，因而冷启动泛化受限；MolTrans、TransformerCPI与DeepConv-DTI虽具备良好的局部建模能力，但同样缺乏外部语义先验；DrugBAN与MGNDTI验证了多模态融合的重要性，但未显式处理蛋白长度异质性。综合来看，BioLA-DTI在语义增强与长度适配两个维度上实现了对既有方法的补足。
2.3. Ablation Studies
2.3.1. General Ablation Experiments
研究人员在BioSNAP上逐步移除关键模块进行消融分析。去除门控模块后，整体性能轻度下降，说明门控机制能够稳定增强特征表征。去除LLM增强模块后，recall下降最明显，约降低0.06，同时AUPRC、F1 score等指标也明显下降，表明由BioGPT和PubMedBERT构建的语义增强模块对于正样本识别和交互预测敏感性至关重要。将多头注意力融合替换为直接拼接后，各项指标中度下降，说明跨模态注意力有助于挖掘隐含药物—蛋白相互作用，但其重要性次于LLM语义增强模块。该结果表明，LLM预增强是框架性能提升的关键来源，多头注意力则承担辅助性交互表示学习功能。
2.3.2. Experimental Validation of Length-Adaptive Weighting
研究人员将长度自适应加权与统一权重基线进行比较。在BindingDB上，长度自适应策略带来稳定增益，其中F1 score提升1.19%，accuracy提升1.01%；在BioSNAP上，各项指标均优于统一加权，precision提升4.07%，accuracy提升1.13%。这些结果直接证明，依据蛋白质长度分配不同融合权重能够有效改善多模态特征融合质量，是该模型的重要创新点之一。
2.3.3. Cold-Start Ablation Experiments
在BioSNAP冷启动场景中，完整模型相较于移除LLM模块的M2模型，在AUROC和AUPRC上高出约8至10个百分点，accuracy差距接近10个百分点。结果说明，LLM增强模块能够为未知药物—靶标对提供有效的生物医学语义补充，使模型在缺少训练集中已知配对信息时仍保持稳定可靠的预测性能。这一发现对新药、新靶点以及罕见病药物重定位的早期筛选具有现实意义。
2.4. Cold-Start Experiment
在BindingDB冷启动设置下，BioLA-DTI在AUROC上显著优于所有对比模型，并取得有竞争力的AUPRC，表明其能有效区分未知相互作用与非相互作用样本。在BioSNAP冷启动设置下，该方法在AUROC和AUPRC上同样位居前列，显示出稳健的判别能力、鲁棒性与适应性。论文据此认为，该模型可作为低资源靶点的有效初筛工具，从而降低药物重定位流程中的实验验证成本。
2.5. Visualization of Predicted Probability Distribution
在BindingDB与BioSNAP测试集上，模型对负样本的预测概率高度集中于0附近，对正样本则集中于1附近，二者在概率空间中几乎完全分离，中间过渡区样本极少。这表明BioLA-DTI具有很强的正负样本区分能力，预测置信度高，决策边界清晰，进一步从分布层面支持了模型优越的分类性能。
3. Discussion
讨论部分首先系统梳理了现有DTI方法的发展路径。单模态序列模型如TC-DTA、HyperAttentionDTI和DeepPurpose主要将SMILES和蛋白序列视为一维序列进行建模，虽然实现简便，但无法充分保留药物空间拓扑与蛋白长程依赖。随后引入图神经网络的方法，如MGraphDTA、GUNE-DTA与GraphCPI，改善了药物立体化学特征刻画，但在融合阶段仍多依赖简单拼接，缺乏显式深层交互建模。进一步的注意力机制方法，如DrugBAN、iNGNN-DTI与MIFAM-DTI，虽增强了跨模态局部交互能力，但仍采用静态融合策略，忽视蛋白长度异质性，也缺少根据长度动态调节LLM知识融合强度的机制。论文据此指出，现有方法在蛋白长度建模和语义知识自适应融合方面均存在明显不足，而BioLA-DTI正是针对这两项共性短板提出的综合解决方案。基于BioSNAP和BindingDB上的量化对比、消融实验及概率分布可视化，研究人员认为所设计的动态融合策略具有明确有效性。
Case Studies
论文进一步选取两个高置信度正样本药物—靶标对开展案例分析：甲芬那酸（mefenamic acid, DB00784）—Q04828，以及CID 155903259—P0DTD1。研究人员采用AutoDock Vina 1.5.7独立计算小分子与靶蛋白的三维结合构象。结果显示，甲芬那酸可与Q04828口袋内多个极性残基形成氢键；Nirmatrelvir则与SARS-CoV-2主蛋白酶活性区域残基形成氢键作用。论文强调，这些三维结合图主要作为潜在相互作用模式的可视化辅助证据。结合高置信度预测结果，案例研究表明BioLA-DTI可作为虚拟筛选流程前端的有效过滤工具，帮助从大规模化合物库中快速筛选高概率候选分子，缩小后续分子对接或分子动力学模拟的搜索空间。
研究结论部分可译为：
本文提出了一种用于药物—靶标相互作用预测的长度自适应、LLM增强方法BioLA-DTI。其核心思想是根据蛋白质序列长度调整LLM导出的语义特征与传统结构特征之间的融合权重，从而解决短蛋白噪声累积和长蛋白表征不足的问题。BioSNAP和BindingDB上的大量实验表明，BioLA-DTI在多项评估指标上均持续优于当前先进基线模型，尤其在冷启动设置下表现突出。消融实验进一步证实，LLM语义增强、门控机制和可学习多头注意力融合都对性能提升具有显著贡献。上述结果说明，该模型能够为低资源靶点生成更具针对性的候选分子列表，从而支持药物重定位研究。与依赖单一模态的既有模型不同，BioLA-DTI具备长度自适应感知能力，因此在预测极端序列长度靶点时具有独特的泛化优势，能够有效克服传统方法在短序列上噪声累积、在长序列上表征不足的局限。在应用层面，该框架可直接用于低同源孤儿受体的虚拟筛选，降低盲目高通量筛选的实验成本；同时也可作为大规模虚拟筛选流程的前端预过滤工具，快速从海量化合物库中筛出高潜力结合分子，显著降低后续高精度分子对接与分子动力学模拟的计算成本，提高整个虚拟药物筛选流程的效率。论文同时指出，方法中采用的300和800残基阈值基于常见蛋白长度分布，对某些特殊蛋白家族未必最优，后续将探索基于结构域数量或内在无序区比例的更精细加权函数，并推动该方法在孤儿受体和新发病原体靶点的实际药物重定位任务中的应用。
