Nat. Mach. Intell. 速递：可解释双线性注意力网络提高药物靶点预测能力

关键词：深度学习，药物发现，蛋白质预测，分布外泛化，可解释机器学习

论文题目：Interpretable bilinear attention network with domain adaptation improves drug–target prediction

论文来源：Nature Machine Intelligence

论文链接：https://www.nature.com/articles/s42256-022-00605-1

预测药物-靶点相互作用是药物发现的关键。传统的体外实验的生物医学测量是可靠的，但有明显的高成本和耗时的开发周期，使其无法应用于大规模数据。相比之下，深度学习方法可以大大缩小候选化合物的搜索范围，并能对药物组合中的潜在副作用有深入了解。

但深度学习的方法仍然存在两个挑战：如何明确地建模和学习药物和靶点之间的局部相互作用，以更好地预测和解释；第二个挑战是如何优化对新药物-靶点的预测的泛化能力，即在已知分布的基础上，跨领域推广预测性能。

这篇文章提出了 DrugBAN，一个具有领域适应性的深度双线性注意力网络（bilinear attention network, BAN）框架，以显式地学习药物和靶点之间的成对局部相互作用，并根据分布外数据进行适应。DrugBAN 在药物分子图和目标蛋白序列上进行预测，通过条件域对抗性学习来对齐不同分布中学习到的交互表示，使学习到的相互作用表征在不同的分布中保持一致，以便更好地泛化到新的药物-靶点对。

在三个基准数据集上进行的域内和跨域设置的实验表明，DrugBAN 在与五个最先进的基线模型的竞争中取得了最佳的整体性能。此外，可视化学习的双线性注意力图提供了预测结果的可解释性见解。