基于深度学习的药物-靶标相互作用预测研究综述.docVIP

基于深度学习的药物-靶标相互作用预测研究综述

药物-靶标相互作用（Drug-TargetInteraction,DTI）预测是药物研发领域的核心环节之一，其本质是通过计算方法识别小分子化合物与生物大分子（如蛋白质、核酸等）之间的结合可能性与作用强度，是虚拟筛选、药物重定位、副作用预测等任务的关键技术支撑。传统DTI预测方法主要依赖分子对接、动力学模拟、定量构效关系（QSAR）等手段，但这类方法普遍存在计算成本高、依赖靶标三维结构、对孤儿靶标和新化合物预测性能不足等局限。近年来，随着深度学习技术在生物信息学领域的快速渗透，基于数据驱动的DTI预测模型突破了传统方法的诸多限制，在预测精度、泛化能力和计算效率上展现出显著优势，成为当前药物研发智能化转型的重要技术方向。

一、深度学习在DTI预测中的核心数据表示方法

数据表示是深度学习模型性能的基础，DTI预测任务的数据表示主要分为药物分子表示与靶标生物序列/结构表示两大分支。

（一）药物分子表示范式

目前主流的药物表示方法可分为序列表示、图表示和多模态融合表示三类。序列表示中，简化分子线性输入规范（SMILES）是应用最广泛的字符串编码方式，早期研究多采用循环神经网络（RNN）、长短时记忆网络（LSTM）对SMILES字符串进行序列化建模，捕获原子的顺序依赖关系。为解决SMILES语法歧义问题，部分研究引入自注意机制，通过Transf