韩国光州科学技术院的研究人员开发出一种新型深度学习模型，可预测药物与靶点分子之间的结合情况。该团队由南浩正（Hojung Nam）副教授和博士生李英宇（Ingoo Lee）领导，将新模型命名为"靶点序列亮点"（HoTS）。相关研究成果已发表在《化学信息学杂志》上。
药物发现过程
在药物发现过程中，药物需经过测试以验证其与人体内靶点分子的结合或相互作用能力。深度学习模型虽能提升该过程效率，但其预测结果往往缺乏可解释性。正因如此，研究团队开发了HoTS模型，在提升药物-靶点相互作用预测精度的同时确保结果可解释。
准确评估药物与靶点分子的结合效果至关重要，传统方法需通过多种构型对药物3D结构及其靶标蛋白进行对齐，此过程称为"分子对接"。随后需对靶点分子的多个候选药物重复运行对接模拟，以确定优选结合位点。目前深度学习模型被广泛应用于执行此类模拟。
HoTS模型
新开发的模型无需依赖模拟或3D结构即可预测药物-靶点相互作用（DTIs）。
南浩正副教授解释道："我们首先通过先验知识明确教导模型蛋白质序列中哪些区域将与药物发生作用。训练后的模型由此识别并预测药物与靶标蛋白的相互作用，从而获得更优的预测性能。基于此，我们构建了无需3D复合物即可预测靶标蛋白结合区域及其与药物相互作用的模型。"
该模型无需处理完整蛋白质序列，而是基于与药物-靶点相互作用相关的蛋白质片段进行预测。
"我们指导模型聚焦关键区域，确保其能理解预测药物候选物相互作用时蛋白质的重要子区域，"南浩正副教授进一步说明。
这使模型在预测药物-靶点相互作用时的准确度超过现有模型。
这些新发现将为未来预测新候选药物的对接模拟提供重要起点。
南浩正副教授总结道："本研究采用的模型将使药物发现过程更加透明，同时降低风险与成本。这将使研究人员能在同等预算和时间内发现更多药物。"
【全文结束】
