GFLearn：用于预测药物-靶点结合亲和力的广义特征学习方法

《IEEE Journal of Biomedical and Health Informatics》：GFLearn: Generalized Feature Learning for Drug-Target Binding Affinity Prediction

　　

摘要：

预测药物与靶点的结合亲和力对于药物发现至关重要，因为它有助于识别有潜力的候选药物并预测其有效性。深度学习的最新进展在解决这一任务方面取得了显著进步。然而，现有方法严重依赖训练数据，当预测新药物和靶点的结合亲和力时，其性能往往受限。为了解决这一难题，我们提出了一种用于预测药物-靶点结合亲和力的新型通用特征学习（GFLearn）模型。通过将图神经网络（GNN）与自监督不变特征学习模块相结合，我们的GFLearn模型能够从药物和靶点中提取出强大且具有高度泛化能力的特征，从而显著提升预测性能。这一创新使得该模型能够有效预测此前未见过的药物或靶点的结合亲和力，同时还能缓解因数据分布变化导致的预测性能下降问题。我们在三个具有挑战性的场景下，即新药物、新靶点以及两者的组合，对两个不同的数据集进行了大量实验。与最先进方法的比较表明，我们的GFLearn模型在各种预测任务中的表现始终优于其他模型，展现了其在不同任务中的稳健性。此外，跨数据集评估和噪声干扰实验进一步验证了该模型在不同数据分布下的泛化能力。针对Canertinib-PIK3C2G和MLN8054-FLT1这两对药物-靶点进行的案例研究，进一步证明了GFLearn在准确预测结合亲和力方面的能力，为药物筛选和重新定位工作提供了宝贵见解。

I. 引言

传统的药物筛选过程既耗时又昂贵。通过准确预测药物与靶点之间的结合亲和力，可以在药物开发早期就识别出潜在的有效候选药物，从而加速药物筛选进程[1]。此外，药物-靶点结合亲和力预测在药物重新定位中也起着关键作用。通过预测现有药物对新的靶点的亲和力，可以找到可能用于治疗其他疾病的药物，进而减少临床试验和市场投放所需的时间和成本[2]。实验测定药物-靶点结合亲和力（如等温滴定量热法[3]和表面等离子体共振法[4]）既昂贵又耗时[5]、[6]、[7]。结合亲和力的计算预测可以有效补充实验方法，帮助研究人员确定高亲和力的药物-靶点组合，降低实验成本[8]、[9]。近年来，已经出现了多种用于预测药物-靶点结合亲和力的计算方法[10]、[11]、[12]、[13]、[14]。