基于图神经网络的药物-靶标亲和力预测结题报告.docVIP

基于图神经网络的药物-靶标亲和力预测结题报告

一、研究背景与问题提出

药物-靶标亲和力（Drug-TargetAffinity,DTA）是指药物分子与生物靶标蛋白之间结合的紧密程度，是药物研发过程中的核心参数之一。准确预测DTA不仅能够加速药物筛选进程，降低研发成本，还能为药物重定位、药物设计和个性化医疗提供关键依据。传统的DTA预测方法主要依赖实验测定，如表面等离子体共振（SPR）、等温滴定量热法（ITC）等，但这些方法存在实验周期长、成本高、通量低等局限性，难以满足现代药物研发对高效性和准确性的需求。

随着人工智能技术的快速发展，机器学习和深度学习方法在DTA预测领域得到了广泛应用。早期的机器学习方法如支持向量机（SVM）、随机森林（RF）等，通过提取药物分子和靶标蛋白的特征进行预测，但这些方法往往依赖于手工提取的特征，难以捕捉生物分子之间复杂的相互作用关系。近年来，深度学习方法尤其是图神经网络（GraphNeuralNetworks,GNNs）的出现，为DTA预测带来了新的突破。图神经网络能够直接处理药物分子和靶标蛋白的图结构数据，自动学习分子和蛋白的特征表示，从而更准确地预测药物-靶标之间的亲和力。

然而，当前基于图神经网络的DTA预测方法仍然存在一些挑战。首先，药物分子和靶标蛋白的图结构数据具有高度的复杂性和多样性，如何有效建模这些数据并提取关键特征仍然是一个难