AI+Drug Snapshot | 250318 | DTIAM通过从大量无标签数据中学习药物和靶点的表示，提高了下游任务的预测性能
关注
MindDance微信公众号，每日推送AI+Drug的最新文章和资讯，获取领域最新的技术进展
1. DTIAM: a unified framework for predicting drug-target interactions, binding affinities and drug mechanisms
Nature Communications
本文提出了DTIAM框架，用于预测药物-靶点相互作用、结合亲和力及药物作用机制，创新性地结合了自监督预训练和多任务学习。DTIAM通过从大量无标签数据中学习药物和靶点的表示，提高了下游任务的预测性能。实验在Yamanishi_08和Hetionet等数据集上进行，结果表明DTIAM在冷启动场景下表现优异，尤其在预测新药物或靶点时具有强大的泛化能力，验证了其在实际应用中的有效性。
2. Exploration of Hepatitis B Virus Infection Dynamics through Virology-Informed Neural Network: A Novel Artificial Intelligence Approach
arxiv
本文提出了Virology-Informed Neural Networks(VINNs)，用于捕捉病毒感染的复杂动态，创新点在于其扩展了Physics-Informed Neural Networks(PINNs)，能够在部分模型数据缺失的情况下准确预测HBV感染动态。方法上，VINNs通过逆向求解策略，从实验数据中估计模型参数，并研究了参数范围、实验噪声等因素对HBV动态的影响。实验使用了九只HBV感染黑猩猩的数据，结果表明VINNs能够有效估计模型参数，并准确预测未来感染进展。总结来说，VINNs为理解HBV感染动态提供了一种强大的工具，未来可扩展到其他科学和工程领域。
3. From Generative AI to Innovative AI: An Evolutionary Roadmap
arxiv
本文探讨了从生成式人工智能(GenAI)到创新式人工智能(InAI)的转变，创新点在于提出了AI系统能够自主解决问题和进行创造性思考的路线图。方法上，通过整合计算创造力、强化学习和多模态推理等技术，提出了提升AI创新能力的策略。实验未涉及具体数据集，但讨论了当前GenAI模型的局限性，如无法自主重新定义问题和缺乏跨领域整合能力。总结来说，未来的AI研究应聚焦于开发自主创造力、增强多模态系统以及跨领域创新，以实现真正的AI创新。
4. CRPS-Based Targeted Sequential Design with Application in Chemical Space
arxiv
本文提出了一种基于阈值加权连续排序概率评分(CRPS)的序列设计方法，用于高斯过程(GP)模型中的目标数据采集，特别关注于化学空间中的应用。创新点在于将阈值加权CRPS作为采集函数的基础，开发了点式和积分式采集准则，以提高在特定响应范围内的模型准确性。实验使用了Photoswitch数据集，通过合成和真实数据测试，结果表明新方法在预测精度和分类性能上优于现有方法。总结而言，该方法为资源密集型数据采集提供了一种高效的序列设计策略，具有广泛的应用潜力。
5. Predicting Metal-binding Proteins and Structures Through Integration of Evolutionary-scale and Physics-based Modeling
Journal of Molecular Biology
本文提出了一种名为ESM-Bind的工作流程，通过结合进化尺度建模(ESM)和基于物理的蛋白质-金属建模，预测金属结合蛋白及其3D结构，创新点在于整合了ESM-2和ESM-IF模型进行残基级预测，并设计了金属放置方法和能量最小化技术生成详细3D结构。该方法利用BioLip数据库中的高质量蛋白质-金属结合数据进行训练和评估，结果显示ESM-Bind在残基和3D级预测上优于其他模型，特别是在真菌病原体蛋白质中的应用表现出色。总结而言，ESM-Bind为金属结合蛋白的预测和结构建模提供了高效且准确的解决方案。
6. DTA-GTOmega: Enhancing Drug-Target Binding Affinity Prediction with Graph Transformers Using OmegaFold Protein Structures
Journal of Molecular Biology
本文提出了一种名为DTA-GTOMega的新方法，通过结合OmegaFold预测的蛋白质3D结构和RDKit处理的药物SMILES序列，利用多层图变换器和共注意力模块，显著提高了药物-靶标结合亲和力预测的准确性，创新点在于首次使用OmegaFold的3D结构构建靶标图，并引入图变换器和共注意力机制。实验在KIBA、Davis和BindingDB_Kd等基准数据集上进行，结果表明DTA-GTOMega在冷启动设置下表现优异，特别是在处理心血管和神经系统相关疾病的药物-靶标相互作用时展现出强大的泛化能力。总结而言，DTA-GTOMega为药物-靶标相互作用预测提供了更精确和可靠的工具。
7. Effectiveness and Efficiency: Label-Aware Hierarchical Subgraph Learning for Protein–Protein Interaction
Journal of Molecular Biology
本文提出了一种名为laruGL-PPI的标签感知层次子图学习方法，通过构建多图模型和边缘子图采样，有效解决了蛋白质-蛋白质相互作用(PPI)预测中的拓扑捷径问题，创新点在于首次在PPI预测中引入边缘子图采样以缓解拓扑捷径和计算成本问题。实验在多个PPI数据集上进行，结果显示laruGL-PPI在未见蛋白质的测试中表现优异，特别是在多标签PPI预测中超越了现有最先进方法。总结而言，laruGL-PPI为PPI预测提供了一种高效且可解释的解决方案。
8. Sifting through the noise: A survey of diffusion probabilistic models and their applications to biomolecules
Journal of Molecular Biology
本文综述了扩散概率模型在生物分子结构预测和设计中的应用，重点介绍了其理论基础和最新研究进展。文章详细阐述了扩散模型的基本原理，包括去噪扩散概率模型和噪声条件评分网络，并探讨了其在生物分子建模中的独特优势，如处理高维数据的能力。通过总结近年来的研究成果，文章展示了扩散模型在生成和预测任务中的显著效果，并展望了未来的研究方向。
9. TxAgent: An AI Agent for Therapeutic Reasoning Across a Universe of Tools
arxiv
本文介绍了TXAGENT，一种基于多步推理和实时生物医学知识检索的AI代理，用于个性化治疗推荐，创新点在于其整合了211个工具，能够动态检索和合成知识，显著提升了药物推理和治疗决策的准确性。方法上，TXAGENT通过TOOLUNIVERSE工具箱和TOOLRAG模型，执行目标驱动的工具选择和结构化函数调用，支持复杂的医疗查询。实验使用了DrugPC、BrandPC等五个新基准，涵盖3168个药物推理任务和456个个性化治疗场景，结果显示TXAGENT在开放式药物推理任务中准确率达到92.1%，显著优于GPT-4o和DeepSeek-R1。总结来说，TXAGENT通过多步推理和工具辅助决策，确保了治疗建议与临床指南和真实世界证据的一致性，减少了不良事件风险。
10. DSE-HNGCN: Predicting the frequencies of drug-side effects based on heterogeneous networks with mining interactions between drugs and side effects
Journal of Molecular Biology
本文提出了DSE-HNGCN模型，利用异质网络和多层图卷积网络预测药物-副作用频率，创新性地引入了层重要性组合策略和预测结果融合方法。DSE-HNGCN通过构建药物和副作用的异质网络，结合药物相似性和副作用语义相似性，有效挖掘了药物与副作用之间的潜在关系。实验在NRFSE数据集上进行，结果显示DSE-HNGCN在预测药物-副作用频率方面优于现有方法，提供了更准确的预测结果和生物学解释。