Phi-Former: 一种用于化合物-蛋白质相互作用预测的成对层次化方法

药物发现仍然耗时、费力且昂贵，每个候选药物通常需要数年时间和大量投入。预测化合物-蛋白质相互作用（CPI）是此过程中的关键环节，能够识别候选药物与靶蛋白之间的分子相互作用。最近的深度学习方法已在原子层面成功建模CPI，相较于传统的基于能量的方法，提高了效率和准确性。然而，这些模型并不总是与化学现实相符，因为分子片段（基序或官能团）通常是生物识别和结合的基本单位。在本文中，我们提出了Phi-former，一种成对层次化交互表示学习方法，通过纳入基序在CPI中的生物学作用来弥补这一差距。Phi-former层次化地表示化合物和蛋白质，并采用成对预训练框架在原子-原子、基序-基序和原子-基序层面系统性地建模相互作用，反映了生物系统识别分子伙伴的方式。我们设计了层内和层间学习流程，使不同的交互层面相互促进。实验结果表明，Phi-former在CPI相关任务上取得了优越的性能。一项案例研究表明，我们的方法能够准确识别CPI中被激活的特定原子或基序，提供了可解释的模型解释。这些见解可能指导合理的药物设计并支持精准医学应用。