SMCL-DTA：基于表面感知多视图对比学习的药物 - 靶标亲和力预测框架

《npj Digital Medicine》：SMCL-DTA: surface-aware multi-view contrastive learning for drug-target affinity prediction

摘要

准确预测药物-靶标亲和力（DTA）对于加速药物发现和推进精准医疗至关重要。现有方法存在一些根本性局限性，包括需要分别处理分子和蛋白质的表示方式、在数据量有限时容易过拟合，以及增强策略不足可能会破坏关键的分子亚结构。为了解决这些挑战，我们提出了SMCL-DTA，一种基于表面感知的多视图对比学习框架，用于DTA预测。SMCL-DTA引入了三项关键创新：一种由图拓扑结构指导的智能掩蔽策略，以保留具有化学意义的亚结构；一个具有回归感知的正样本对构建的多视图对比学习框架；以及综合整合分子和蛋白质表面特征，以捕捉生物学上相关的相互作用信息。在六个基准数据集上的广泛实验表明，SMCL-DTA在传统的热启动评估中表现出优异的性能，并且在多种基于支架的冷启动环境中也显示出强大的泛化能力，为真实的药物-靶标亲和力预测提供了一个有效的框架。消融实验确认了每个组件的有效性，突显了我们集成设计的协同优势。此外，针对SOAT1靶标的虚拟筛选 wet-lab 实验验证了SMCL-DTA在识别潜在生物活性化合物方面的实际应用价值。这些结果共同表明，SMCL-DTA是一个强大且具有通用性的计算药物发现工具。