面向实验检测的药物-靶标结合亲和力预测：大型语言模型基准评测

内容形式：摘要译文

用于分子发现的机器学习模型通常基于来自异质性测定的生物活性数据进行训练，但测定背景很少得到显式表征。我们研究了自然语言形式的测定描述能否在分子和蛋白质表征之外提供预测信息。我们开发了 ACL-DTI（基于测定感知对比学习的药物-靶点相互作用模型）和 MAMMAL-AsAP，后者是 MAMMAL-DTI 的测定背景扩展版本。在五组互斥三元组的随机划分中，测定感知模型的表现与不考虑测定信息的基线模型相当或更优。在所评估的模型中，MAMMAL-AsAP 的 R² 最高，为 0.7198 ± 0.0085。掩蔽实验表明，ACL-DTI 对测定描述不完整具有较强鲁棒性：在掩蔽靶点名称、测定技术或二者时，该模型的 R² 降幅在所有评估模型中最小，分别为 0.0228 ± 0.0064、0.0406 ± 0.0113 和 0.0620 ± 0.0190。这些结果表明，测定描述包含未能被分子结构和蛋白质序列充分捕获的预测信息，并揭示了不同架构在利用这些信息方面存在差异。

关键词：药物-靶标相互作用 · 结合亲和力预测 · 测定背景建模 · 大型语言模型 · 对比学习

原文链接：https://www.biorxiv.org/content/10.64898/2026.10.11.758217v1?rss=1