论文标题：DTIBFAI: drug-target interaction prediction based on BERT and feature augment of Informer

期刊：Frontiers of Computer Science

作者：Naichao WANG, Yihe DIWU, Mingchen FENG, Yuchen ZHANG, Xiujuan LEI

发表时间：14 May 2025

DOI：10.1007/s11704-025-50126-4

微信链接：点击此处阅读微信文章

引用格式：

Naichao WANG, Yihe DIWU, Mingchen FENG, Yuchen ZHANG, Xiujuan LEI. DTIBFAI: drug-target interaction prediction based on BERT and feature augment of Informer. Front. Comput. Sci., 2026, 20(7): 2007904

阅读原文：

摘要

研究人员提出了一种名为DTIBFAI的新型预测方法，结合了BERT模型与增强型Informer架构。通过整合多种特征表示并改进注意力机制，该方法在预测药物与蛋白质靶点相互作用方面表现卓越，为新药发现与筛选提供了高效的计算工具。

文章精要

药物研发是一个极其漫长且耗资巨大的过程，而药物-靶点相互作用（DTI）的预测是其中的关键环节。准确识别药物分子与生物体内靶点蛋白的结合情况，能够有效缩短实验周期并降低研发风险。然而，现有的感知模型在处理生物序列时，往往难以捕捉到药物与蛋白质之间极其微细的相互作用特征。同时，传统的特征表示方法较为单一，难以全面刻画复杂的生化特性，这在很大程度上限制了计算预测的精准度，成为阻碍虚拟筛选技术规模化应用的瓶颈。

为了克服上述挑战，研究团队开发了基于多模态特征增强的DTIBFAI预测模型。该模型巧妙地利用了预训练语言模型的优势，分别采用ChemBERTa和BioBERT对药物和蛋白质序列进行深度语义编码。此外，研究人员还引入了分子指纹和二肽组成特征进行数据增强，极大地丰富了特征的代表性。通过对Informer架构进行针对性改进，模型能够更敏锐地识别序列数据中的复杂相互作用模式，从而实现了更具判别力的特征嵌入，确保了模型能够从海量数据中精准提取关联信息。

实验结果证明，DTIBFAI在多个标准数据集上的表现均优于现有的主流方法。改进后的Informer机制在处理长序列生物数据时表现出极佳的稳定性，能够有效地提取跨模态的深层关联信息。这不仅提高了预测的AUC和AUPR等核心指标，也验证了多源特征融合在复杂生物信息学任务中的必要性。这种端到端的预测框架，不仅提升了计算效率，也为后续的药物重定向和候选药物评价提供了更具鲁棒性的技术支撑。

该研究为基于深度学习的药物筛选提供了新的范式，特别是在利用大规模预训练模型挖掘生物序列语义方面展现了巨大潜力。这种低成本、高效率的计算预测手段，有望加速新型疗法的开发进程，降低临床前研究的门槛。随着模型的进一步优化，该技术将为精准医疗和个性化给药方案的制定提供重要的决策依据。

期刊简介

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华院士，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。

中国学术前沿期刊网

http://journal.hep.com.cn