面向药物-靶点亲和力预测的层次化特征学习网络 HiF-DTA
机器学习
2025-11-03 v1 人工智能
摘要
准确预测药物-靶点亲和力（DTA）对于降低实验成本、加速计算药物发现中的早期筛选至关重要。虽然基于序列的深度学习方法可避免依赖高成本的 3D 结构，但仍忽略了同时建模药物和蛋白质内部的全局序列语义特征与局部拓扑结构特征，亦将药物表示为平坦序列，而不包含原子级、次构成级和分子级的多尺度特征。我们提出 HiF-DTA，一种层次化网络，采用双路径策略从药物和蛋白质序列中提取全局序列语义和局部拓扑特征，并通过多尺度双线性注意力模块对药物进行多尺度建模，以学习原子、次构成和分子表征。在 Davis、KIBA 和 Metz 数据集上进行的实验表明，HiF-DTA 在多个 SOTA baseline 上均取得优异性能，消融实验确认了全局-局部特征提取和多尺度融合的重要性。
引用
@article{arxiv.2510.27281,
title = {HiF-DTA: Hierarchical Feature Learning Network for Drug-Target Affinity Prediction},
author = {Minghui Li and Yuanhang Wang and Peijin Guo and Wei Wan and Shengshan Hu and Shengqing Hu},
journal= {arXiv preprint arXiv:2510.27281},
year = {2025}
}
备注
Accepted by International Conference on Bioinformatics and Biomedicine (BIBM 25)