SOC-DGL：受社交互动行为启发的双图学习框架用于药物-靶点相互作用识别
机器学习
2025-07-22 v2
摘要
药物-靶点相互作用(DTI)的识别对于药物发现和重定位至关重要，因为它揭示了现有药物的潜在治疗用途，从而加速开发并降低成本。然而，现有大多数模型仅关注同构图中的直接相似性，未能利用异构图中丰富的相似性。为了填补这一空白，受现实世界社交互动行为的启发，我们提出了SOC-DGL，它包含两个专门的模块：亲和力驱动图学习(ADGL)模块，通过亲和力增强的药物-靶点图学习全局相似性；以及平衡驱动图学习(EDGL)模块，利用基于平衡理论的偶多项式图滤波器放大偶跳邻居的影响，以捕获高阶相似性。这种双重方法使SOC-DGL能够有效捕获亲和力矩阵和关联矩阵中跨多个交互尺度的相似性信息。为了解决DTI数据集中的不平衡问题，我们提出了一种可调的不平衡损失函数，通过参数调整负样本的权重。在四个基准数据集上的大量实验表明，SOC-DGL在平衡和不平衡场景下均始终优于现有SOTA方法。此外，SOC-DGL成功预测了已知与ABL1结合的前9种药物，并进一步分析了尚未经实验证实与ABL1相互作用的第10种药物，为其潜在结合提供了支持证据。
引用
@article{arxiv.2506.01405,
title = {SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification},
author = {Xiang Zhao and Ruijie Li and Qiao Ning and Shikai Guo and Hui Li and Qian Ma},
journal= {arXiv preprint arXiv:2506.01405},
year = {2025}
}
备注
13 pages, 14 figures (including subfigures), 5 tables. Xiang Zhao and Ruijie Li contributed equally to this work and should be considered co-first authors. The source code and datasets are available at https://github.com/Zhaoxiang0422/SOC-DGL