Tensor-DTI：利用对比嵌入学习增强生物分子相互作用预测
机器学习
2026-01-12 v1 人工智能
生物大分子
摘要
准确的药物-靶标相互作用（DTI）预测对于计算药物发现至关重要，然而现有模型通常依赖单一模态的预定义分子描述符或表征能力有限的基于序列的嵌入。我们提出了 Tensor-DTI，一个对比学习框架，它整合了来自分子图、蛋白质语言模型和结合位点预测的多模态嵌入，以改进相互作用建模。Tensor-DTI 采用孪生双编码器架构，使其能够捕获化学和结构相互作用特征，同时区分相互作用对和非相互作用对。在多个 DTI 基准上的评估表明，Tensor-DTI 优于现有的基于序列和基于图的模型。我们还在 CDK2 上对十亿级化学库进行了大规模推理实验，即使 CDK2 未参与训练，Tensor-DTI 也能产生化学上合理的命中分布。在与 Glide 对接和 Boltz-2 共折叠器的富集对比研究中，Tensor-DTI 在 CDK2 上保持竞争力，并在严格的家族保留划分下，改善了恢复中等比例高亲和力配体所需的筛选预算。此外，我们探索了其在蛋白质-RNA 和肽-蛋白质相互作用中的适用性。我们的发现凸显了将多模态信息与对比目标相结合的优势，以提高相互作用预测的准确性，并为虚拟筛选提供更具可解释性和可靠性感知的模型。
引用
@article{arxiv.2601.05792,
title = {Tensor-DTI: Enhancing Biomolecular Interaction Prediction with Contrastive Embedding Learning},
author = {Manel Gil-Sorribes and Júlia Vilalta-Mor and Isaac Filella-Mercè and Robert Soliva and Álvaro Ciudad and Víctor Guallar and Alexis Molina},
journal= {arXiv preprint arXiv:2601.05792},
year = {2026}
}
备注
Accepted at the Generative and Experimental Perspectives for Biomolecular Design Workshop at ICLR 2025 and at the Learning Meaningful Representations of Life Workshop at ICLR 2025