基于多模态特征融合的药物靶标亲和力预测

摘要

药物-靶标结合亲和力是评估药物与靶标相互作用强度的关键指标。目前大多数药物靶标亲和力预测方法仅关注药物或靶标的单一模态特征,未能充分挖掘多模态信息的互补性及其在提升预测性能方面的潜在价值。针对这个问题,提出了一种基于多模态特征融合的药物靶标亲和力预测模型(Multi-Model Feature Fusion for Drug-Target Affinity Prediction,MMFDTA)。该模型对药物分子采用了包括分子指纹、分子图以及ChemBERTa预训练嵌入在内的多模态信息,对靶标蛋白采用了蛋白质序列、氨基酸残基接触图以及ProtBERT预训练编码嵌入。在此基础上,模型设计了层级特征融合架构,实现药物与靶标多模态特征之间的深度交互融合。实验结果表明,该模型在Davis和KIBA数据集上优于其他基线方法,验证了所提出的多模态融合策略的有效性。

关键词

药物靶标亲和力预测 / 药物研发 / 多模态 / 特征融合 / 图神经网络