彭利红教授课题组《JOURNAL OF BIOMEDICAL AND HEALTH INFORMATICS》：BINDTI：基于注意力机制的双向意图网络用于药物靶点相互作用识别

药物-靶标相互作用(DTI)预测是药物发现的重要步骤。生物医学实验方法昂贵、费力且耗时。深度学习在DTI预测方面取得了可喜的进展，这些方法主要包括两个步骤：药物和蛋白质特征表示和基于深度学习的DTI分类。然而，如何准确地表示药物和蛋白质的特征是DTI预测的主要挑战。

该论文介绍了通过集成图卷积网络GCN、ACmix和双向Intention网络，开发了一个端到端的DTI预测框架BINDTI。

在此，作者开发了一个基于双向意Intention网络的端到端DTI识别框架BINDTI。首先，基于其SMILES字符串获得的二维分子图，用图卷积网络对药物特征进行编码；接着，通过一个融合了自注意机制和卷积的混合模型ACmix，根据蛋白质的氨基酸序列编码蛋白质特征。第三，将Intention与多头注意相结合，通过双向Intention网络融合药物和靶标特征。最后，利用基于融合药物-靶标对特征的多层感知器对未知药物-靶标对进行分类。结果表明，BINDTI在BindingDB、BioSNAP、DrugBank和Human数据集上的表现明显优于CPI-GNN、transformomercpi、MolTrans和IIFDTI四种基线方法。更重要的是，在不平衡数据集上，它比四种基线方法更适合预测新的DTI。消融实验结果表明，双向Intention和ACmix都能极大地促进DTI预测。融合特征可视化和案例研究结果表明，BINDTI预测结果与真实结果基本一致。我们期望所提出的BINDTI框架能够发现新的候选药物，改善药物的虚拟筛选，并进一步促进药物重新定位和药物发现。

湖南工业大学生命科学与化学学院聂立波、湖南工学院计算机科学与工程学院陈敏、广东技术师范大学计算机学院卢旭为论文的共同通讯作者；湖南工业大学生命科学与化学学院彭利红、湖南工业大学生命科学与化学学院刘鑫为本论文共同第一作者；该工作得到了国家自然科学基金委等方面的资助。

原文链接：https://ieeexplore.ieee.org/abstract/document/10463146