تحديد التفاعلات الجديدة بين الدواء والهدف (DT) هو جزء مهم من عملية اكتشاف الأدوية. معظم الطرق الحاسوبية المقترحة للتنبؤ بالتفاعلات بين الدواء والهدف ركزت على التصنيف الثنائي، حيث الهدف هو تحديد ما إذا كانت زوجة الدواء والهدف تتفاعل أم لا. ومع ذلك، فإن تفاعلات البروتين-الليجاند تتبنى مقياسًا مستمرًا لقيم قوة الارتباط، والتي تُعرف أيضًا بـ "القوة الارتباطية"، وتنبؤ هذه القيمة لا يزال يمثل تحديًا. زيادة البيانات المتاحة حول القوة الارتباطية في قواعد معرفة الدواء-الهدف تسمح باستخدام تقنيات التعلم المتقدمة مثل هياكل التعلم العميق في التنبؤ بالقوى الارتباطية. في هذه الدراسة، نقترح نموذجًا يستند إلى التعلم العميق يستخدم فقط معلومات التسلسل لكلا الهدف والدواء للتنبؤ بقوى ارتباط تفاعل الدواء-الهدف. القليل من الدراسات التي تركز على التنبؤ بقوة ارتباط الدواء-الهدف تستعمل إما هيكل البروتين-الليجاند ثلاثي الأبعاد أو خصائص المركبات ثنائية الأبعاد. أحد النهج الجديدة المستخدمة في هذا العمل هو نمذجة سلاسل البروتينات والتعبيرات أحادية البعد للمركبات باستخدام شبكات العصبونات المتشابكة (CNNs). أظهرت النتائج أن النموذج المقترح الذي يستند إلى التعلم العميق ويستخدم التعبيرات أحادية البعد للأهداف والأدوية هو طريقة فعالة للتنبؤ بقوة ارتباط الدواء-الهدف. حقق النموذج الذي يتم فيه بناء تمثيلات عالية المستوى للدواء والهدف عبر شبكات العصبونات المتشابكة أفضل أداء لمؤشر التطابق (CI) في أحد مجموعات بيانات الاختبار المرجعي الأكبر لدينا، مما يتفوق على خوارزمية KronRLS وطريقة SimBoost، وهي من أفضل الأساليب الحالية للتنبؤ بقوة ارتباط الدواء-الهدف.