S2DTA深度模型

亲和力预测更准

通过融合药物、靶标和口袋的序列与图结构特征，该模型利用图与语义网络异构集成，提升了药物-靶标亲和力预测的准确性。

曾新 · Kai-Yang, Zhong · 姜北 · 李毅

Molecules 2023

参数信息

平均绝对误差

25.2 %

均方根误差

20.1 %

皮尔逊相关系数

19.6 %

斯皮尔曼相关系数

17.5 %

一致性指数

8.1 %

决定系数

49.4 %

技术优势

误差降1/4

异构模型融合序列与结构线索，减少了对单一特征表示的依赖，从而提升预测精度。

可解释性强

双向自注意力机制让模型能指出哪些药物和靶标区域对预测贡献最大，便于研究者理解预测依据。

应用场景

• 药物虚拟筛选：用更准的亲和力预测加速筛选候选药物，减少实验验证量。
• 药物重定位：快速评估已有药物对新靶标的亲和力，辅助发现新适应症。
• 靶标发现：识别与药物分子高亲和力的潜在靶标，指导新靶标挖掘。