基于混合图网络和动态提示的药物 - 靶点结合亲和力预测
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了HGRL-DTA、GDGRU-DTA和GraphCL-DTA等新方法，用于药物靶标亲和力预测。这些方法结合深度学习和图表示学习技术，显著提高了预测准确性和模型泛化能力，为药物设计和发现提供了有效工具。
❓
Q&A
HGRL-DTA模型的主要优势是什么？
HGRL-DTA模型在药物靶标亲和力预测中显著优于现有基准模型，并显示出更好的模型泛化性能。
GDGRU-DTA是如何提取蛋白质序列特征的？
GDGRU-DTA使用GRU和BiGRU来提取蛋白质序列特征，并结合图卷积方法处理药物图。
GraphCL-DTA在药物靶标结合亲和力预测中有什么创新？
GraphCL-DTA通过图对比学习优化药物和靶标的表征质量，显著提高了预测准确性。
DeepGS模型的主要功能是什么？
DeepGS模型使用深度神经网络从氨基酸和SMILES序列中提取局部化学上下文，显示出优越性和竞争力。
本文提出的负边缘子采样策略有什么意义？
负边缘子采样策略为未来的模型设计奠定了基础，旨在提高药物靶标相互作用预测的泛化性。
如何提高药物靶点相互作用预测的模型性能？
通过整合蛋白质语言模型和接触图信息，可以提高药物靶点相互作用预测的模型性能。
🏷️
