摘要
尽管新药研发成本高昂、耗时漫长，且常伴随安全性问题，但药物重定位（即利用已知安全性的老药治疗其原始研发之外的疾病）作为一种替代策略，日益受到关注。在此背景下，探究老药在新靶点上的作用机制成为药物重定位的核心环节，并引发了广泛研究兴趣。目前已提出多种统计模型与机器学习方法用于预测药物-靶点结合亲和力，其中深度学习方法已被证明属于当前最先进的技术之一。然而，这些模型中的药物与靶点通常以一维字符串（如SMILES或氨基酸序列）进行表示，这忽略了分子本质上由原子通过化学键构成的三维结构特性。针对这一局限，本文提出GraphDTA模型，旨在捕捉药物的分子结构信息，从而提升亲和力预测的准确性。与现有方法不同，本研究将药物表示为图结构，并采用图卷积网络（Graph Convolutional Networks, GCNs）来学习药物-靶点之间的结合亲和力。我们在两个基准的药物-靶点结合亲和力数据集上验证了该方法，并与领域内最先进的模型进行了性能对比。实验结果表明，所提出的GraphDTA不仅显著优于非深度学习模型，也超越了现有的深度学习方法。这一结果充分证明了基于图结构表示分子在精准预测药物-靶点结合亲和力方面的实际优势。此外，该方法的应用潜力还可拓展至其他推荐系统场景，尤其适用于用户端或产品端（或两者）均可建模为图结构的系统，展现出良好的通用性与推广价值。