- 3 次围观
生物技术药物与小分子药物之间的药物-药物相互作用对于用药安全性和治疗有效性具有关键作用。然而，现有大多数计算型DDI预测方法主要关注小分子药物之间的相互作用，而对生物技术药物—小分子药物相互作用的研究相对不足。 在本研究中，我们提出了B-SMART-Former，这是一种用于预测生物技术药物与小分子药物之间相互作用类型的可解释深度学习框架。该框架将用于小分子的ChemBERTa嵌入和Morgan分子指纹与用于生物技术药物的ProtBERT嵌入相结合，在利用互补分子表征的同时，消除了对基于相似性的特征的需求。这些多模态特征通过一种混合架构进行处理，该架构结合了基于Transformer的自注意力、残差卷积学习以及多层感知机分类器，以同时捕捉全局上下文依赖关系和局部判别模式。该模型被表述为一个多分类任务，并采用分层10折交叉验证进行评估。为提高模型透明性，采用Integrated Gradients作为事后可解释性方法，以识别对每个预测贡献最显著的分子特征。实验结果表明，B-SMART-Former在仅依赖内在分子表征的情况下，实现了0.9978的微平均AUROC和0.9682的AUPR，同时在性能上仍可与基于相似性的方法相竞争。所提出的框架为生物技术药物—小分子药物DDI预测提供了一种有效且可解释的解决方案，并为未来的计算药物相互作用研究奠定了实用基础。
B-SMART-Former：一种用于预测生物技术药物与小分子药物之间药物—药物相互作用的可解释性基于 Transformer 的深度学习模型 | bioRxiv
跳转至主要内容
首页
关于
提交
提醒 / RSS
搜索该关键词
高级搜索
新结果
B-SMART-Former：一种用于预测生物技术药物与小分子药物之间药物—药物相互作用的可解释性基于 Transformer 的深度学习模型
Fatemeh Nasiri，
查看 ORCID 个人资料
Mohsen Hooshmand，
Mahdi Nouroozi
doi： https://doi.org/10.64898/2026.07.23.740240
Fatemeh Nasiri 基础科学高等研究院 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。
本文依据 CC-BY 4.0 国际许可协议 发布。
返回顶部
上一页
下一页
发表于 2026 年 7 月 27 日。
下载 PDF
电子邮件
感谢您帮助传播 bioRxiv 的内容。
您的电子邮件
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或用逗号分隔。
您将通过电子邮件发送以下内容
B-SMART-Former：一种用于预测生物技术药物与小分子药物之间药物—药物相互作用的可解释性基于 Transformer 的深度学习模型
邮件主题
（您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人类访问者，并防止自动垃圾信息提交。
分享
B-SMART-Former：一种用于预测生物技术药物与小分子药物之间药物—药物相互作用的可解释性基于 Transformer 的深度学习模型
Fatemeh Nasiri， Mohsen Hooshmand， Mahdi Nouroozi
bioRxiv 2026.07.23.740240； doi： https://doi.org/10.64898/2026.07.23.740240
分享本文：
复制
引用工具
B-SMART-Former：一种用于预测生物技术药物与小分子药物之间药物—药物相互作用的可解释性基于 Transformer 的深度学习模型
Fatemeh Nasiri， Mohsen Hooshmand， Mahdi Nouroozi
bioRxiv 2026.07.23.740240； doi： https://doi.org/10.64898/2026.07.23.740240
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.23.740240v1?rss=1
🏷️ 药物相互作用预测 Transformer 可解释深度学习 多模态分子表征 生物技术药物 小分子药物