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。

通过使用Shapley值以识别证据在最终预测中的相对重要性，Retrieve to Explain（R2E）解决了机器学习模型特别是语言模型在解释性上的困难，并在从科学文献中识别药物靶标的实用案例上展现了其优越性。

该研究评估了药物靶标相互作用预测方法的泛化性和性能夸大问题，并提出了一种新的负边缘子采样策略。通过体外验证，证明了新发现的相互作用的真实性。该研究为未来的基准测试和模型设计提供了基础。

该研究评估了药物靶标相互作用预测方法的泛化性和性能夸大问题，并提出了一种新的负边缘子采样策略。通过体外验证，证明了新发现的相互作用的真实性。该研究为未来的基准测试和模型设计提供了基础。