Die Vorhersage von Arzneimittel-Ziel-Interaktionen stellt eine erhebliche Herausforderung für die Arzneimittelentwicklung und die Optimierung von Wirkstoffkandidaten dar. In jüngster Zeit wurden Algorithmen trainiert, um Arzneimittel-Ziel-Interaktionen aus Daten und molekularen Simulationen zu lernen. In dieser Arbeit nutzen wir Evolutionary Scale Modeling (ESM-2)-Modelle, um ein Transformer-basiertes Proteinsprachmodell zur Vorhersage von Arzneimittel-Ziel-Interaktionen zu entwickeln. Unser Architekturansatz, LEP-AD, kombiniert vortrainierte ESM-2-Modelle mit Transformer-GCN-Modellen zur Vorhersage von Bindungsaffinitäten. Wir berichten über neuartige Best-in-Class-Ergebnisse im Vergleich zu konkurrierenden Methoden wie SimBoost, DeepCPI, Attention-DTA, GraphDTA und weiteren, basierend auf mehreren Datensätzen, darunter Davis, KIBA, DTC, Metz, ToxCast und STITCH. Schließlich stellen wir fest, dass ein vortrainiertes Modell, das Protein-Embeddings nutzt (LED-AD), ein Modell, das eine explizite 3D-Darstellung der Proteine mittels AlphaFold (z. B. LEP-AD, das durch AlphaFold supervisiert wird) verwendet, übertrifft. Das LEP-AD-Modell zeigt eine günstige Skalierbarkeit seiner Leistung mit der Größe des Trainingsdatensatzes. Der Quellcode ist unter https://github.com/adaga06/LEP-AD verfügbar.