DPTM-DT：用于药物靶标预测的双预训练 Transformer 多任务表示学习

药物-靶点关系预测支持候选筛选、药物重新定位和机制分析。现有模型通常使用不完整的药物或蛋白质表示，浅层地模拟跨模式相互作用，或分别训练亲和力回归和相互作用分类，尽管这些任务描述了同一药物-靶标对的紧密相关的视图。本文提出了 DPTM-DT，一种用于多任务药物靶点预测的双预训练 Transformer 框架。 DPTM-DT结合了GROVER分子图嵌入、ESM蛋白质语言模型嵌入和CTD理化描述符，然后通过双向跨模态注意力交换药物靶点信息。共享对表示用于连续亲和力回归、高亲和力二元分类和六级亲和力分类。 Davis 和 KIBA 的实验涵盖随机 80/20 和 DeepDTA 式标准分割。在随机 80/20 分割中，DPTM-DT 在 Davis 上实现了 0.193/0.917 的 MSE/CI 值，在 KIBA 上实现了 0.120/0.918 的 MSE/CI 值。它还报告了 Davis 和 KIBA 的二进制 AUPR/MCC 值分别为 0.727/0.6​​54 和 0.798/0.689，以及六类 Macro-F1/Top-2 值分别为 0.800/0.932 和 0.815/0.962。在报告的回归、二元分类和多类分类设置中，DPTM-DT 在比较方法中实现了最佳的整体性能。标准分割下的结果显示出相同的相对趋势。消融表明，双目标表示、门控融合和跨模式注意力都对最终性能有所贡献。代码和补充材料可在以下网址获得：此 http URL。