ReTIF：面向RNA-化合物相互作用预测与结合位点定位的粒度感知多任务交互路由

RNA靶向药物发现既需要预测RNA-化合物相互作用，也需要在核苷酸水平定位结合位点（binding site，BS）。这两项任务依赖于不同层次的相互作用信息：DTI预测概括RNA与化合物之间的整体相容性，而BS定位则需要保留与化合物相关的核苷酸级信号。然而，现有多任务模型通常在任务特异性预测层之前，为两项任务采用共享的跨模态表示，这可能限制其保留依赖于任务的相互作用模式的能力。因此，我们提出ReTIF（Relation-enhanced Task-specific Interaction Framework，关系增强的任务特异性交互框架），在聚合之前分别为DTI预测和BS定位构建独立的跨模态相互作用表示。ReTIF整合来自冻结的RNA-FM、StructRFM、Mole-BERT和MolFormer编码器的多源RNA-化合物表示，并分别构建用于DTI评分和BS定位的相互作用表示。DTI分支通过聚合捕获全局相容性，而BS分支保留核苷酸—化合物分辨率，并利用RNA结构先验和化合物拓扑先验，通过关系引导的传播增强局部证据。由DTI派生的非对称相容性信号在保留局部证据的同时，为BS预测提供全局上下文。在包含13个基线模型的五折评估中，针对未见配对、未见RNA、未见化合物以及联合分布偏移四种情形，ReTIF在16种“情形–指标”组合中的13种取得了最高平均性能，其中在全部四种设置下的BS AUPR均表现最佳。

RNA靶向药物发现需要同时进行RNA-化合物相互作用预测和核苷酸水平的结合位点（BS）定位。这两项任务依赖于不同层次的相互作用信息：DTI预测概括RNA与化合物之间的整体相容性，而BS定位则需要保留核苷酸水平的化合物相关信号。然而，现有多任务模型通常在任务特异性预测层之前，为两项任务使用共享的跨模态表示，这可能限制其保留任务依赖性相互作用模式的能力。因此，我们提出ReTIF（Relation-enhanced Task-specific Interaction Framework，关系增强的任务特异性交互框架），在聚合之前，分别为DTI预测和BS定位构建独立的跨模态相互作用表示。ReTIF整合了来自冻结的RNA-FM、StructRFM、Mole-BERT和MolFormer编码器的多源RNA-化合物表示，并分别构建用于DTI评分和BS定位的相互作用表示。DTI分支通过聚合捕获全局相容性，而BS分支保留核苷酸-化合物分辨率，并借助RNA结构先验和化合物拓扑先验，通过关系引导的传播增强局部证据。一种非对称的、源自DTI的相容性信号为BS预测提供全局上下文，同时保持局部证据。在采用13种基线、针对未见配对、未见RNA、未见化合物以及联合分布偏移的五折评估中，ReTIF在16种“场景-指标”组合中的13种组合上取得了最高均值，其中包括在全部四种设置下均达到最高的BS AUPR。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.02.748859v1?rss=1

🏷️ RNA-化合物相互作用预测 结合位点定位 多任务学习 跨模态表示学习 RNA靶向药物发现