LaPro-DTA：用于通用药物-靶点亲和力预测的潜在双视图药物表示与显著蛋白质特征提取
机器学习
2026-03-17 v1 人工智能
摘要
药物-靶点亲和力预测是加速药物发现的关键步骤，但现有方法在现实中的冷启动场景（未出现的药物/靶点/配对）中表现显著下降，主要由于对训练实例的过拟合以及对无关靶点序列信息的丢失。在本文中，我们提出了 LaPro-DTA 框架，以实现稳健且可泛化的 DTA 预测。为解决过拟合问题，我们设计了潜在双视图药物表示机制。它协同运用实例级视图捕捉细粒度次结构，同时通过语义重映射提炼分布级视图中的通用化学骨架，从而迫使模型学习可迁移的结构规则而非记忆特定样本。为缓解信息丢失，我们引入基于模式感知的 Top-k 池化策略，以显著蛋白质特征提取，有效过滤背景噪声并隔离高响应的生物活性区域。此外，跨视图多头注意力机制融合这些被净化后的特征，以建模全面相互作用。广泛的基准数据集实验表明，LaPro-DTA 在所有 state-of-the-art 方法中均显著优异，在具有挑战性的未发现药物场景下在 Davis 数据集上实现了8% 的 MSE 降低，同时提供了对结合机制的可解释性洞见。
引用
@article{arxiv.2603.14792,
title = {LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction},
author = {Zihan Dun and Liuyi Xu and An-Yang Lu and Shuang Li and Yining Qian},
journal= {arXiv preprint arXiv:2603.14792},
year = {2026}
}