الدافع: يتطلب اكتشاف الأدوية تقييمًا سريعًا للتفاعل بين المركبات والبروتينات (CPI). ومع ذلك، هناك نقص في الطرق التي يمكنها التنبؤ بقوة الترابط بين المركبات والبروتينات من خلال التسلسلات وحدها مع قابلية التطبيق العالية والدقة والتفسير.النتائج: نقدم دمجًا متكاملًا للمعرفة المتخصصة والتقنيات القائمة على التعلم. تحت تمثيلات جديدة للتسلسلات البروتينية المصحوبة بالمعلومات الهيكلية، تم اقتراح نموذج تعلم عميق شبه إشرافي يجمع بين الشبكات العصبية المتكررة والشبكات العصبية التلافيفية لاستغلال البيانات غير المصنفة والمصنفة معًا، لتحقيق ترميز مشترك للتمثيلات الجزيئية وتوقع قوة الترابط. أثبتت تمثيلاتنا ونماذجنا تفوقها على الخيارات التقليدية في تحقيق خطأ نسبي في IC$_{50}$50​ أقل من خمسة أضعاف لحالات الاختبار وأقل من عشرين ضعفًا لفئات البروتينات التي لم تشملها عملية التدريب. يتم تحسين الأداء أيضًا بالنسبة لفئات البروتينات الجديدة ذات البيانات المصنفة القليلة من خلال التعلم النقال. بالإضافة إلى ذلك، تم تطوير آليات الانتباه المنفصل والمجمعة وإدراجها في نموذجنا لتعزيز قابليته للتفسير، كما هو موضح في دراسات الحالة لتوقع وتفسير التفاعلات الانتقائية بين الدواء والهدف. أخيرًا، تم استكشاف تمثيلات بديلة باستخدام تسلسلات البروتين أو الرسوم البيانية للمركبات وكذا نموذج موحد RNN/GCNN-CNN يستخدم شبكات الرسم البياني التلافيفية (GCNN) لكشف تحديات الخوارزميات القادمة.التوفر: متاحة البيانات والأكواد المصدر على الرابط https://github.com/Shen-Lab/DeepAffinityالمعلومات الإضافية: المعلومات الإضافية متاحة على الرابط http://shen-lab.github.io/deep-affinity-bioinf18-supp-rev.pdf