FusionDTI: Fine-grained Binding Discovery with Token-level Fusion for Drug-Target Interaction

预测药物靶点相互作用（DTI）对于药物发现过程至关重要。尽管最近的DTI模型通过整合来自各种药物和靶点编码器的表示取得了显著进展，但这些模型通常难以捕捉药物和蛋白质之间的细粒度相互作用，即特定药物原子（或亚结构）和蛋白质关键氨基酸的结合，这对于理解结合机制和优化药物设计至关重要。为了解决这个问题，本文介绍了一种新型模型，称为FusionDTI，它使用令牌级别的Fusion模块来有效地学习药物靶点相互作用的细粒度信息。特别是，我们的FusionDTI模型使用药物的SELFIES表示来减轻序列片段无效化，并结合目标蛋白的结构感知（SA）词汇表来解决氨基酸序列在结构信息方面的限制，此外还广泛利用了在大规模生物医学数据集上进行了充分训练的预训练语言模型作为编码器，以捕捉药物和靶点的复杂信息。在三个著名的基准数据集上的实验表明，我们提出的FusionDTI模型在DTI预测方面与七种现有的最先进基线相比取得了最佳性能。此外，我们的案例研究表明，FusionDTI可以突出显示潜在的结合位点，增强DTI预测的可解释性。

本文旨在解决药物靶标相互作用（DTI）预测模型难以捕捉药物和蛋白质之间细粒度相互作用的问题。

本文提出了一种名为FusionDTI的模型，使用基于标记的Fusion模块有效地学习药物靶标相互作用的细粒度信息，其中使用SELFIES表示药物来减轻序列片段失效，结合目标蛋白的结构感知（SA）词汇表来解决氨基酸序列的结构信息的局限性，同时利用经过广泛训练的预训练语言模型作为编码器来捕捉药物和靶标的复杂信息。

实验结果表明，与七种现有的最先进基线相比，FusionDTI模型在DTI预测方面表现最佳。此外，本文的案例研究表明，FusionDTI可以突出显示潜在的结合位点，增强了DTI预测的可解释性。

最近的相关研究包括：1）使用深度学习模型预测药物靶标相互作用；2）使用图神经网络预测药物靶标相互作用；3）使用自然语言处理技术处理药物和蛋白质的信息。