多尺度跨模态融合与级联信号传播的SF-DTI药物-靶点相互作用预测框架

《iScience》：Multiscale cross modal fusion and cascaded signal propagation for drug target interaction prediction

　　

准确预测药物-靶点相互作用（drug-target interaction, DTI）有助于将先导化合物转化为临床治疗药物。尽管深度学习已取得进展，仍存在两个挑战：异质药物与蛋白质模态之间的表征差距，以及预训练编码器中互补知识的利用不足。为解决这些问题，研究人员提出了SF-DTI，一个统一框架，整合了多编码器蛋白质融合、结构-语义药物对齐和渐进式跨模态细化用于DTI预测。具体而言，SF-DTI从多个预训练蛋白质语言模型中捕获全局蛋白质语义，在子空间约束下将基于图的结构特征与药物的预训练语义嵌入对齐，并通过级联跨模态信号传播逐步细化药物-蛋白质相互作用表征。在标准、冷启动和跨域设置下的六个基准数据集上的实验表明，SF-DTI在评估场景中相对于七种最先进的基线取得了具有竞争力的性能。这些结果表明SF-DTI是一个有前景的DTI预测框架，并可能支持虚拟筛选、药物重定位和药物发现。

多尺度跨模态融合与级联信号传播的SF-DTI药物-靶点相互作用预测框架解读

药物-靶点相互作用（drug-target interaction, DTI）预测是药物发现、虚拟筛选和药物重定位的关键环节。尽管深度学习推动该领域快速发展，仍存在两大挑战：一是药物与蛋白质异质模态间的表征差距，二是预训练编码器中互补知识利用不足。此外，现有方法多采用静态单程编码，难以在特征提取后渐进式交换和细化跨模态信号，这在冷启动和跨域场景中尤为突出。为此，研究人员提出SF-DTI统一框架，整合多编码器蛋白质融合、结构-语义药物对齐和渐进式跨模态细化，以实现更准确的DTI预测。

SF-DTI通过三个核心模块实现异质表征的耦合：多编码器蛋白质互作用（multi-encoder protein mutual interaction, MPMI）模块整合多个预训练蛋白质语言模型（protein language model, PLM）的互补语义；子空间约束互对齐融合（subspace-constrained mutual alignment fusion, SCMAF）模块对齐药物结构图与语义嵌入；级联跨模态信号传播融合（cascaded cross-modal signal propagation fusion, CMSPF）机制迭代细化相互作用感知特征。在六个公开基准数据集（BindingDB、BioSNAP、DrugBank、Human、KIBA、C. elegans）上，SF-DTI在