摘要
近年来，机器学习和深度学习在药物发现领域获得了广泛的关注并取得了巨大的成功。历史上，机器学习和深度学习模型通常分别基于结构数据或化学性质进行训练。在本研究中，我们提出了一种同时利用这两种类型数据的架构，以提高整体性能。给定分子结构的SMILES表示及其标签，我们生成了基于SMILES的特征矩阵和分子描述符。这些数据在一个集成注意力机制（Attention mechanism）的深度学习模型上进行了训练，以促进模型训练和解释。实验结果表明，我们的模型在预测性能上优于参考模型。通过在EGFR抑制剂数据集上的交叉验证，我们的架构达到了最大MCC值0.58和AUC值90%，超过了参考模型的表现。此外，我们还成功地将注意力机制整合到模型中，有助于解析化学结构对生物活性的贡献。