欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

药物-靶点结合亲和力预测入门,用 DeepDTA 双卷积编码器复现

上邦 AI 工程团队2026-10-12阅读 约7分钟
药物-靶点相互作用预测长期被当作二分类,但结合强度是连续的。DeepDTA 仅用药物SMILES与蛋白序列,以两个CNN分支编码后拼接预测亲和力(回归),在DAVIS/KIBA基准上一致性指数约0.86至0.87。本文给出可复现的PyTorch骨架,帮助研发团队快速搭建亲和力回归基线。

亲和力为何用回归而非分类

蛋白-配体相互作用存在连续的结合强度(如pKd、KIBA分数)。把任务做成二分类会丢失强度信息,不利于候选分子排序。DeepDTA 用卷积神经网络分别编码药物SMILES与蛋白氨基酸序列,拼接后回归预测亲和力值。

步骤一:编码两条序列

将SMILES与蛋白序列映射为字符索引,用一维卷积提取局部模式(官能团、结构域)。
import torch, torch.nn as nn
class CNNBlock(nn.Module):
    def __init__(self, in_ch, out_ch, k=8):
        super().__init__()
        self.net = nn.Sequential(
            nn.Conv1d(in_ch, out_ch, k), nn.ReLU(),
            nn.Conv1d(out_ch, out_ch, k), nn.ReLU(),
            nn.MaxPool1d(2))
    def forward(self, x): return self.net(x)
drug_enc = CNNBlock(1, 32); prot_enc = CNNBlock(1, 32)

步骤二:拼接回归头

两分支全局池化后拼接,经全连接层输出单一亲和力标量,损失用均方误差。
class DeepDTA(nn.Module):
    def __init__(self):
        super().__init__(); self.d = CNNBlock(1,32); self.p = CNNBlock(1,32)
        self.head = nn.Sequential(nn.Linear(64, 1024), nn.ReLU(), nn.Linear(1024, 1))
    def forward(self, d, p):
        f = torch.cat([self.d(d).mean(-1), self.p(p).mean(-1)], 1)
        return self.head(f)
loss_fn = nn.MSELoss()  # 评估用一致性指数 CI

步骤三:用公开基准验收

在 BindingDB、DAVIS、KIBA 等公开基准上训练与验收,以一致性指数(CI)衡量排序能力。复现时注意序列长度截断与字符表对齐,避免数据泄露;该骨架仅作基线,不替代实验验证与专家评审。
本文为示意性骨架,真实研发须结合湿实验验证、合规审查与专家判断,模型输出不构成疗效承诺。

参考来源

DeepDTA: deep drug-target binding affinity prediction - Bioinformatics 2018 (DOI 10.1093/bioinformatics/bty593)。BindingDB 药物-靶点亲和力数据库 - BindingDB。DAVIS / KIBA 亲和力基准数据集 - 公开学术基准。
相关标签:药物发现结合亲和力DeepDTA卷积神经网络回归预测

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案