摘要：药物发现的一个核心问题是确定类药物化合物与蛋白质靶标之间的相互作用。在过去的几十年中，已经开发了各种定量结构-活性关系 (QSAR) 和蛋白质化学计量 (PCM) 方法来建模和预测这些相互作用。虽然 QSAR 方法仅利用药物化合物的表示，但 PCM 方法结合了蛋白质靶标和药物化合物的表示，使它们能够对以前未见过的蛋白质靶标实现高于偶然性的预测准确度。QSAR 和 PCM 方法最近都通过机器学习和深度神经网络得到了改进，从而允许从测量数据开发药物-靶标相互作用预测模型。然而，深度神经网络通常需要大量的训练数据，并且无法稳健地适应新任务，例如在推理时预测未见过的蛋白质靶标的相互作用。在这项工作中，我们建议使用超网络在推理过程中有效地在任务之间传输信息，从而准确预测药物-靶标对未见过的蛋白质靶标的相互作用。与之前的方法相比，我们的 HyperPCM 方法在多个知名基准（包括 Davis、DUD-E 和 ChEMBL 衍生的数据集）上达到了最先进的性能，并且在涉及看不见的蛋白质靶标的零样本推理方面尤其出色。 我们的方法以及可重复的数据准备可在 https://github.com/ml-jku/hyper-dti 上获得。■ 简介药物 - 靶标相互作用 1 的建模是药物发现的一个基本步骤，意味着学习小的类药物化合物（在此称为药物化合物（术语药物化合物在本文中表示配体，即分子化合物，被视为潜在药物但最终可能不适合作为最终候选药物））与已确定的疾病蛋白质靶标之间相互作用的结合特性。2 随着新疾病的出现，迫切需要快速准确地预测大量药物 - 靶标相互作用。 3 药物-靶标相互作用的计算机建模受益于更强大的计算能力 4 ，而使用其他领域的最先进深度学习方法则有助于进一步发展。 5、6 到目前为止，该领域的研究主要集中在药物化合物和蛋白质靶标的表示上。 传统的定量结构-活性关系 (QSAR) 模型 7 仅基于药物化合物结构的表示来学习药物-靶标相互作用的特性。 通常，首先将结构编码为数值向量，即嵌入。 手工嵌入可以从化学和生物数据 8-10 或通过位向量（例如摩根指纹）构建。 11