编辑推荐：
本研究针对药物-靶点相互作用（DTI）预测问题，提出了一种基于多特征融合和交叉注意力机制的新型方法MFCADTI，显著提升了预测性能，为药物发现和再定位提供了有力支持。
在药物研发过程中，准确预测药物与靶点之间的相互作用（Drug-Target Interaction, DTI）是关键一步。传统方法或依赖于序列信息，或依赖于网络拓扑结构，往往忽略了两者之间的互补性。为此，新疆大学的研究人员提出了一种名为MFCADTI（Multi-Feature Cross-Attention Drug-Target Interaction prediction）的新方法，通过整合多源特征并利用交叉注意力机制，显著提升了DTI预测的准确性和鲁棒性。该研究不仅在两个基准数据集上取得了优于现有先进方法的性能，还通过案例分析验证了其在新药靶点发现中的潜力，为药物开发提供了重要指导。研究成果发表在《BMC Bioinformatics》上。
研究背景
药物-靶点相互作用（DTI）是指药物分子与生物靶点（如蛋白质、酶等）之间的结合，这种结合能够改变靶点的功能，从而产生治疗效果。准确预测DTI对于加速药物发现和再定位具有重要意义。然而，现有的计算方法大多只关注药物和靶点的序列特征或网络拓扑特征，忽略了两者之间的互补信息。例如，基于序列的方法通过分析药物的SMILES序列和靶点的氨基酸序列来提取特征，而基于网络的方法则依赖于药物和靶点之间的已知相互作用网络。这些方法虽然取得了一定的成果，但在处理复杂的生物系统时仍存在局限性。
为了克服这些局限性，新疆大学的研究人员提出了一种新的计算方法——MFCADTI。该方法通过整合来自异构网络的网络拓扑特征和来自序列的属性特征，并利用交叉注意力机制来增强药物和靶点特征之间的关联，从而提高DTI预测的准确性。
研究方法
MFCADTI框架主要包含三个部分：网络特征提取、属性特征提取以及交叉注意力特征融合与预测。研究人员首先构建了一个包含药物、靶点、疾病和副作用的异构网络，并利用Large-scale Information Network Embedding（LINE）算法提取药物和靶点的网络特征。随后，通过Frequent Continuous Subsequence（FCS）算法从药物的SMILES序列和靶点的氨基酸序列中提取属性特征。最后，利用交叉注意力机制将网络特征和属性特征进行融合，并通过全连接层（Fully Connected Layer, FCL）进行DTI预测。
研究结果
研究人员在两个公开的异构网络数据集（Luo_data和Zeng_data）上对MFCADTI进行了评估。实验结果表明，MFCADTI在准确率（Accuracy, Acc）、精确率（Precision）、F1分数、接收者操作特征曲线下面积（AUC）和精确率-召回率曲线下面积（AUPR）等指标上均优于现有的先进方法。例如，在Luo_data数据集上，MFCADTI的AUC达到了0.948，比第二名的方法高出2.6%；AUPR达到了0.927，比其他方法分别高出0.1%到4.4%不等。此外，研究人员还通过案例分析验证了MFCADTI在新药靶点发现中的有效性。例如，在Luo_data数据集中，对于普伐他汀（Pravastatin）的预测结果中，有50%的候选靶点得到了参考数据库的验证，其中包括GABA受体γ-2亚基（GABRG2），这一发现为普伐他汀在心血管疾病治疗中的潜在机制提供了新的研究方向。
结论与讨论
MFCADTI通过整合网络拓扑特征和属性特征，并利用交叉注意力机制，显著提高了DTI预测的准确性和鲁棒性。该方法不仅在基准数据集上取得了优异的性能，还在新药靶点发现中展现了强大的潜力。未来，研究人员计划进一步探索基于异构图神经网络（如HetGNN）的方法，以挖掘生物网络中不同生物实体之间的关系，进一步提升模型的预测能力。这一研究为药物发现和再定位提供了新的思路和工具，有望加速新药的研发进程。
