準確識別藥物-標靶相互作用（DTI）是藥物發現和藥物重新定位過程中的關鍵步驟之一。
目前，許多基於計算的模型已被提出，用於預測 DTI，並取得了一些顯著的進展。
然而，這些方法很少關注如何以適當的方式融合與藥物和標靶相關的多視角相似性網絡。此外，如何充分結合已知的相互作用關係來準確表示藥物和標靶尚未得到很好的研究。因此，提高 DTI 預測模型的準確性仍然是必要的。
在最新的研究中，鄭州大學、電子科技大學團隊提出了一種新方法 MIDTI。此方法採用多視圖相似性網路融合策略和深度互動注意機制來預測藥物-標靶交互作用。
結果表明，MIDTI 在 DTI 預測任務上的表現明顯優於其他基準方法。消融實驗的結果也證實了多視角相似網絡融合策略中註意力機制和深度交互注意力機制的有效性。
研究以「Drug–target interaction predictions with multi-view similarity network fusion strategy and deep interactive attention mechanism」為題，於 2024 年 6 月 6 日發佈在《Bioinfors》。
在新藥研發與再利用過程中佔據核心地位，傳統濕實驗方法成本高、耗時長久，促使研究者轉向計算輔助的藥物篩選方法來加速進程。
計算型DTI 預測方法
主要分為：
機器學習方法的局限性
目前的方法僅基於藥物和靶點自身結構學習表徵，忽略了 DTI 對之間的相互作用。
異構網絡建構
生物實體間關係蘊含豐富語意訊息，而建構融合異質訊息的網絡有助於系統理解 DTI。
MIDTI 方法
鄭州大學團隊提出了MIDTI，一種預測DTI 的新方法，基於：
步驟：
MTI 網絡關聯
獲得整合的藥物相似性網路；同樣地建立整合的目標相似性網路。
為了評估MIDTI 的效能，研究者採用了多種評估指標，包括準確率（ACC）、曲線下面積（AUC）、精確-回想曲線下面積（AUPR）、F1 分數和馬修斯相關係數（MCC）。研究人員將 MIDTI 與其他十種競爭性方法進行了比較，這些方法包括隨機森林、圖卷積網絡、圖注意力網絡、MMGCN、GraphCDA 和 DTINet 等。
MIDTI 在 ACC、AUC 和 AUPR 指標上分別獲得了 0.9340、0.9787和 0.9701 的分數，比 MMGCN 和 GraphCDA 的最高分數高出 2.55%、2.31% 和 2.30%。這表明 MIDTI 在預測藥物-標靶交互作用方面是最具競爭力的方法之一。在不同正負樣本比例的實驗中，MIDTI 也表現出了優秀的表現。
研究也展示了 MIDTI 學習到的藥物-標靶嵌入的可視化結果，使用 t-SNE 工具將嵌入映射到二維空間。隨著訓練輪數的增加，正例和反例逐漸被區分開來，這證明了 MIDTI 所學習的嵌入具有良好的區分力和解釋性，從而提高了 DTI 預測的準確性。
MIDTI 的核心貢獻在於：
總之，MIDTI 是一種高效且準確的藥物-標靶交互作用預測方法，其創新點在於利用多視角資訊和深度注意力機制來增強預測能力。
研究人員表示，接下來將從以下兩個方面開展工作。首先，利用藥物和標靶的其他相關資料來源進行嵌入學習。其次，MIDTI 可以應用於其他連結預測問題，例如 miRNA 與疾病關聯預測。
相關報告：https://academic.oup.com/bioinformatics/article/40/6/btae346/7688335
以上是高效且準確，鄭州大學團隊開發新AI工具識別藥物-標靶相互作用的詳細內容。更多資訊請關注PHP中文網其他相關文章！
