ProbeMatchDTI：基于探针驱动的多尺度生化模式匹配用于药物-靶标相互作用预测

药物-靶标相互作用（DTI）预测是 AI 驱动药物发现中的一项重要任务。尽管近期的生化表示学习方法提升了 DTI 预测性能，但它们被动的特征聚合倾向于偏向占主导地位的分子模式，而抑制诸如功能基团和残基上下文模式等较弱但与结合相关的信号，从而限制了多尺度生化对应关系的建模。为解决这一问题，我们提出 ProbeMatchDTI，一个由模式探针驱动的框架，包含 IterProbe 和 BindingProbe。IterProbe 在细化深度上显式保留上下文状态，并在跨实体匹配之前，使用可学习探针在每个位置选择这些状态，从而保留较弱的生化模式并强化功能基团、局部基序和分子骨架之间的关联。随后，BindingProbe 从局部生化单元和整体配对两个层面刻画跨实体的药物-蛋白互补性，在保留较弱结合相关关联的同时，联合建模细粒度相互作用和多尺度对应关系。大量实验表明 ProbeMatchDTI 具有优越性，在 BindingDB 和 DrugBank 上分别将 AUC-ROC 提高了 2.0% 和 0.5%。特征级模式分析进一步刻画了其在跨尺度生化模式匹配中的探针驱动行为。我们还将 ProbeMatchDTI 的预测与一种证据引导的下游药物发现工作流相连接，证明了其在候选物筛选与验证规划中的实用性。我们的代码可在 https://github.com/developer-hq/ProbeMatchDTI 获取