预测新型药物与生物靶标之间的相互作用是药物发现流程早期阶段的重要步骤。过去十年中，已经提出了许多深度学习方法，其中很大一部分共享相同的底层双分支架构。它们的区别仅限于使用不同类型的特征表示和分支（多层感知器、卷积神经网络、图神经网络和变压器）。相反，用于组合分支输出（嵌入）的策略基本保持不变。相同的通用架构也已广泛用于推荐系统领域，其中聚合策略的选择仍是一个悬而未决的问题。在这项工作中，我们研究了三种不同的嵌入聚合策略在药物-靶标相互作用 (DTI) 预测领域的有效性。我们正式定义了这些策略并证明了它们的通用近似器能力。然后，我们展示了在 DTI 预测领域的基准数据集上比较不同策略的实验，展示了在哪些条件下特定策略可能是显而易见的选择。