摘要
提高药物发现效率是药物研发领域长期面临的核心挑战。为此，研究者开发了多种图学习方法，旨在以快速且低成本的方式筛选潜在的药物候选分子。然而，现有方法在有限数据集上追求高预测性能的过程中，其模型架构与超参数逐渐固化，导致其在面对药物发现过程中新生成的数据时，难以有效开展药物重定位（drug repurposing）任务，适应性显著下降。针对这一问题，本文提出一种高度灵活的方法，能够适应任意数据集并实现精准预测。该方法采用自适应流程，可自动从数据中学习并输出预测模型。无需任何人工干预，其在所有测试数据集上的预测性能均显著优于传统方法——后者依赖于人工设计的神经网络架构及其他固定组件。此外，我们发现该方法相较于传统方法具有更强的鲁棒性，并能提供具有实际意义的可解释性。综上所述，所提出的方法在适应性、预测性能、鲁棒性与可解释性方面均表现出色，可作为高效、可靠的工具，用于预测分子间相互作用及分子性质。本研究为助力研究人员高效设计更优药物迈出了坚实一步。