类型a
主要作者与机构及发表信息
这篇研究由彭丽红（Lihong Peng）、刘欣（Xin Liu）、杨龙（Long Yang）、刘龙龙（Longlong Liu）、白宗正（Zongzheng Bai）、陈敏（Min Chen）、卢旭（Xu Lu）和聂立波（Libo Nie）等人合作完成，他们分别隶属于湖南工业大学生命科学与化学学院、湖南工学院计算机科学学院以及广东技术师范大学计算机科学学院。该研究于2023年被《IEEE Journal of Biomedical and Health Informatics》接收，并计划在2024年正式出版。
学术背景
药物-靶标相互作用（Drug-Target Interactions, DTIs）的识别是药物发现中的关键步骤。传统的体外实验方法虽然可靠，但成本高昂、耗时且劳动密集。近年来，深度学习技术在生物信息学领域取得了显著进展，尤其是在DTI预测方面。然而，如何精确表示药物和蛋白质的特征仍然是DTI预测的主要挑战之一。为此，本研究开发了一种基于双向意图网络（Bi-directional Intention Network）的端到端框架BINDTI，旨在通过注意力机制（Attention Mechanisms）提高DTI预测的准确性。
详细研究流程
本研究的工作流程包括四个主要步骤：
药物特征编码
研究首先使用图卷积网络（Graph Convolutional Networks, GCNs）对药物特征进行编码。药物的二维分子图（2D Molecular Graph）通过其SMILES字符串（Simplified Molecular Input Line Entry System）生成。每个节点（原子）根据其化学性质初始化为74维向量，随后通过线性变换模型计算出实值稠密矩阵作为GCN的输入。研究采用三层GCN结构，通过聚合邻近原子的信息更新每个原子的特征向量，从而提取药物的局部结构信息。
蛋白质特征编码
蛋白质特征编码采用了混合模型ACmix，该模型结合了卷积（Convolution）和自注意力机制（Self-Attention）。所有23种氨基酸被初始化为一个可学习的特征矩阵，蛋白质序列则通过嵌入矩阵初始化为张量。研究通过标准卷积操作和多头自注意力机制分别提取蛋白质特征，并将两者加权融合以获得最终的蛋白质特征表示。
药物与蛋白质特征融合
为了融合药物和蛋白质特征，研究提出了一种双向意图网络（Bi-directional Intention Network），该网络结合了多头注意力和意图模块（Intention Module）。双向意图网络不仅考虑了药物对蛋白质的注意力，还考虑了蛋白质对药物的注意力，从而更有效地整合了生物特征。此外，研究还通过最大池化层将融合后的特征向量连接起来，形成药物-靶标对的联合特征表示。
未知药物-靶标对分类
最后，研究使用多层感知机（Multilayer Perceptron, MLP）对未知药物-靶标对进行分类。融合后的特征向量被输入到包含四个全连接层的MLP中，最终通过sigmoid函数计算每对药物-靶标的交互概率。
主要结果
研究在BindingDB、BioSNAP、DrugBank和Human四个公开数据集上对BINDTI进行了评估，并将其与四种基线方法（CPI-GNN、TransfomerCPI、MolTrans和IIFDTI）进行了比较。实验结果表明，BINDTI在大多数指标（AUC、AUPRC、Accuracy、F1-Score和MCC）上均显著优于基线方法。特别是在BindingDB数据集上，BINDTI的AUC、AUPRC和MCC分别比MolTrans高出2.53%、3.62%和8.92%。此外，在不平衡数据集（如Human数据集）上，BINDTI的表现也优于其他方法，证明了其在处理新药物和新靶标交互预测方面的优势。
消融实验进一步验证了双向意图网络、ACmix和GCN对DTI预测性能的提升作用。可视化分析显示，BINDTI能够将融合后的药物和蛋白质特征映射到不同区域，形成更密集的药物和蛋白质簇。案例研究也表明，BINDTI预测的药物-靶标相互作用与真实标签高度一致，进一步验证了其可靠性。
结论与意义
BINDTI框架的成功开发为DTI预测提供了一个强大的工具。它不仅能够发现低成本的候选药物，还能促进虚拟筛选、药物重定位以及药物发现。BINDTI的科学价值在于其创新的双向意图网络设计，该网络通过多头注意力和意图模块显著增强了特征表示能力。此外，ACmix模型有效结合了卷积和自注意力机制，进一步提高了蛋白质特征提取的效率。
研究亮点
1. 提出了双向意图网络，显著提升了药物和蛋白质特征的融合效果。
2. 创新性地结合了GCN和ACmix，分别用于药物和蛋白质特征的编码。
3. 在多个数据集上的表现均优于现有方法，特别是在不平衡数据集上的预测能力突出。
4. 案例研究表明，BINDTI能够准确预测新药物和新靶标的相互作用，具有重要的实际应用价值。
其他有价值内容
研究还探讨了未来可能的改进方向，例如结合药物的三维分子图和蛋白质的三维结构信息，以进一步提高预测性能。此外，BINDTI框架还可扩展至非编码RNA（如microRNA或circRNA）与小分子药物的关联预测，为未来的药物靶标研究提供了新的思路。