arXiv cs.AI· Huangchao Xu, Baohua Zhang, Qian Liu, Zhong Jin, Yi Du·· 11 小时前AI 评分22
HierDTA：面向药物-靶点亲和力预测的层次结构感知表示学习框架
HierDTA: Hierarchical Structure-Aware Representation Learning for Drug--Target Affinity Prediction
AI 导读
HierDTA 是一个层次结构感知的药物-靶点亲和力（DTA）预测框架，将药物表示为原子-基序异质图并把激酶域结构转为残基交互图，通过交叉注意力整合原子与残基表示。
正文 · AI 翻译
摘要：药物--靶标亲和力（DTA）预测在计算机辅助药物发现中发挥着重要作用，可靠的计算模型有助于在实验验证之前对化合物--蛋白质对进行优先级排序。DTA 预测的一个关键挑战是，在准确建模靶标蛋白结合位点环境的同时，有效地从药物结构中挖掘多层次的分子信息。为解决这些问题，我们提出了 HierDTA，一个用于 DTA 预测的分层结构感知框架。\textcolor{black}{HierDTA 将每种药物表示为原子--基序异构图，并引入一个增强模块，将功能基序语义传播到相应的原子。对于蛋白质，激酶结构域结构被转换为残基相互作用图。所得的原子和残基表示通过交叉注意力进行整合，以捕获配对特异性关系，而分子指纹和预训练的 ESM-2 嵌入则提供互补的全局信息。与最先进的方法相比，HierDTA 在 Davis 数据集上所有指标均取得更优性能，并在 KIBA 上达到最高的 \(r_m^2\) 值 0.791。它还在冷启动设置下表现出强大的泛化能力，尤其是在 KIBA 上，在未见蛋白质场景中 MSE 降低了 21.7\%。消融研究和可解释性分析支持了分层增强和交互组件的贡献。} 案例研究进一步表明，HierDTA 能够对候选生物活性化合物进行早期富集。这些结果表明，HierDTA 是用于亲和力预测和靶标特异性虚拟筛选的有效框架。
| 评论： | 20 页，7 幅图 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27001 [cs.LG] |
| （或 arXiv:2610.27001v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27001 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | ACS Omega，2026 |
| 相关 DOI： | https://doi.org/10.1021/acsomega.6c07956
链接到相关资源的 DOI |
提交历史
来自：Baohua Zhang [查看电子邮件]
[v1]
2026 年 10 月 19 日星期一 09:17:26 UTC（4,490 KB）
来源：arXiv cs.AI · arxiv.org