基于Transformer的分层元路径学习框架HMT-DTI：提升药物-靶点相互作用预测的语义挖掘效率

《Neural Networks》：HMT-DTI: Hierarchical Meta-Path Learning with Transformer for Drug-Target Interaction Prediction

本文推荐：研究者提出HMT-DTI框架，通过Transformer消息传递机制预收集元路径信息（meta-path），结合分层知识提取策略（局部/全局知识提取器）高效捕获药物-靶点（DTI）高阶语义关联。创新性引入偶关系传播（even-relation propagation）减少冗余计算，在三个生物数据集上验证了其优越性能及冷启动场景下的跨域鲁棒性。

　　

亮点

• 提出预计算式分层元路径学习框架HMT-DTI，利用Transformer机制自适应捕获药物-靶点丰富语义信息

• 通过多轮消息传递扩展高阶语义关联，偶关系传播技术显著降低冗余迭代

• 设计局部（评估多跳邻居重要性）与全局（评估元路径模式重要性）知识提取器，生成细粒度特征表示

• 在三个生物数据集上超越现有方法，冷启动实验中展现卓越跨域鲁棒性

相关研究

近期研究多聚焦药物/靶点结构或序列信息建模，如MMDG-DTI融合预训练语言模型序列特征与混合图神经网络（GNN），KNU-DTI整合蛋白质结构属性序列（SPS）等模态特征。

基础理论

异质图定义

如Fig.1(b)所示，生物异质图定义为有向图G(V,E,T^v,T^e)，其中V为顶点集，E为边集，T^v表示节点类型集（如T_i^v代表顶点i的类型），T^e为边类型集。

数据集与设置

数据集

实验采用三大生物数据集：Luo数据集（含708药物/1,512靶点/5,603疾病/4,192副作用）、Li数据集及Zheng数据集。

结论

本研究提出的预计算式分层元路径框架HMT-DTI，通过ComplEx生成节点嵌入捕获异质图多关系信息，Transformer消息传递机制动态评估邻居重要性，结合分层知识提取策略实现高效DTI预测。