AI DTI 预测模型：序列、图、结构和知识图谱各解决不同问题

药物-靶点相互作用预测包括 DTI（二分类或关系预测）和 DTA（亲和力回归）。很多文章把它们混写，但项目上二者服务的决策不同：重定位、靶点反筛、选择性评估、亲和力排序都需要不同数据。

主流路线

• 序列路线：SMILES + 蛋白序列，代表 DeepDTA，成本低但结构信息弱。
• 图路线：药物用分子图，代表 GraphDTA，药物表示更合理。
• Transformer/交互路线：代表 MolTrans，强调子结构交互和可解释线索。
• 结构路线：用口袋、对接姿势或复合物结构，更贴近物理但依赖结构质量。
• 知识图谱路线：适合药物重定位和关系发现，但容易受已知研究偏差影响。

评估核心

• 必须报告 drug cold、target cold 或 both cold；随机 pair split 常高估泛化。
• 负样本构造会强烈影响结果，因为“未报道相互作用”不等于真阴性。
• 分子胶和诱导邻近问题通常不是传统一对一 DTI 能直接覆盖的。

延伸资源

• 配套：139《GraphDTA》、140《DeepDTA》、141《MolTrans》。