研究提出MML-DTI框架,用双曲图神经网络预测药物靶点相互作用
AI预测药物靶点,为什么总“看不全”?JCIM:用双曲几何捕捉层层嵌套结构,药物靶点预测更准、泛化更稳
Journal of Chemical Information and Modeling发表MML-DTI多流形学习框架,用双曲图神经网络融合分子拓扑、化学指纹、预训练化学模型语义与ESM-2蛋白序列特征,预测药物靶点相互作用。
来源:生物谷原创 2026-10-30 12:29
研究搭建MML DTI多流形学习框架,引入双曲图神经网络融合多类分子信息预测药物靶点相互作用,多个数据集验证效果出色,为AI辅助药物研发提供新的思路。
想要开发一款有效的药物,首先要搞清楚药物分子会作用于体内哪些蛋白靶点。传统生化实验、高通量筛选结果真实可靠,但费时烧钱,面对海量化合物,很难做到大规模批量筛选。
人工智能的出现,大大缓解了这一痛点。通过计算来预判药物和靶点能不能结合,既能缩短研发周期,挖掘老药的新用途,也能给后续实验室实验提供参考方向。不过现在多数AI模型,都习惯在普通平面空间处理分子数据。
但生物分子并不是平铺的平面结构。从原子、官能团再到完整分子,本身是层层嵌套的层级构造。把这种复杂结构硬塞进平面空间计算,部分关键结构信息就会被损耗,模型预测能力也会受到制约。
Journal of Chemical Information and Modeling发表的这项研究换了研究角度,把双曲几何运用到药物靶点预测当中,搭建MML‑DTI多流形学习框架,更好地捕捉分子内部的层级结构信息。

这套模型会收集多维度的分子信息。药物层面同时读取分子拓扑结构、化学指纹、预训练化学模型的语义信息;靶点蛋白则依靠ESM‑2提取蛋白序列特征。不同类型的信息经过多流形特征融合模块完成适配整合,再依靠双线性注意力捕捉药物与靶点之间的相互作用模式,输出预测结果。
研究选用DrugBank,Davis,KIBA三个行业常用数据集开展测试。对比多款主流算法,MML‑DTI在准确率、精确率、召回率、AUROC、AUPRC、F1分数上达到最优或次优水平,预测结果稳定性好。

图1. MML‑DTI框架整体架构
t‑SNE可视化能够直观看到模型的学习变化。随着训练不断进行,存在相互作用和无相互作用的样本慢慢分离开,证明模型学到了区分度很高的分子特征。

图2. DrugBank数据集上MML‑DTI的t‑SNE嵌入空间演化
靶点冷启动测试模拟科研中碰到全新未研究靶点的真实情况,模型依旧保持较好预测效果,泛化能力得到验证。消融实验也说明,双曲图神经网络、多流形特征融合模块、双线性注意力都是保障性能的关键,多种信息结合才能发挥出模型全部实力。研究还以阿尔茨海默病相关靶点做实例分析,筛选出潜在候选药物,分子对接也证实这些分子和靶点可以良好结合,具备现实应用价值。

图3. 两个候选分子与Q9NZC2_6XDS的分子对接结果
药物研发投入高、成功率有限,可靠的计算工具可以给前期靶点筛选减负。该研究不再局限传统平面建模,借助双曲空间擅长处理层级结构的优势,融合多源生物信息完成靶点预测。这套思路还可以拓展到药物疾病关联、药物副作用分析等方向,给计算药物研发提供了新的可行方案。(生物谷Bioon.com)
参考文献:
Guan H, Bai T, Yang C, Zhang T, Wang H, Wang G. MML-DTI: Multimanifold Learning with Hyperbolic Graph Neural Networks for Enhanced Drug-Target Interaction Prediction. J Chem Inf Model. 2026;66(6):3302-3319. doi:10.1021/acs.jcim.5c02826
版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->
来源:生物谷·资讯 · news.bioon.com