Nat Commun丨伯曉晨/何松/昝鵬團隊提出藥物-靶標親和力預測AI新范式

藥物-靶標親和力（DTA）的精準、穩健預測，是新藥發現與藥物重定位過程中的核心環節，對加速藥物開發進程、降低研發成本、優化候選藥物篩選流程具有至關重要的意義。盡管傳統實驗方法測定DTA具備一定可靠性，但其固有局限性在一定程度上制約了藥物研發的整體效率。近年來，深度學習技術的突破性發展為DTA預測提供了全新路徑，憑借高效、經濟的突出優勢，已逐步成為DTA預測領域的 有效 工具，為藥物篩選提供了強有力的技術支撐。

近日，軍事醫學研究院、上海大學的伯曉晨、何松、昝鵬深度合作， 在Nature Communications雜志發表了研究論文A meta learning and task adaptive approach for drug target affinity prediction，針對現有DTA預測模型在少樣本、未見過靶標場景下的性能短板，研究團隊提出了一種基于元學習框架的新型DTA預測模型AdaMBind，該模型集成了元學習模塊、自適應任務模塊和標簽噪聲注入策略，通過動態“由易到難”的任務調度機制，提升模型的訓練效率和穩健性，實現對未見過靶標的精準親和力預測，為少樣本場景下的藥物發現提供強有力的計算工具。

盡管深度學習在DTA預測中已取得諸多突破，但實際應用中仍面臨兩大關鍵瓶頸：一是多數模型在樣本有限的情況下難以有效學習靶標表征，而現實中大量靶標缺乏充分表征，導致藥物-靶標相互作用數據極度稀疏，嚴重限制模型的特征提取能力；二是主流方法缺乏靶標特異性適應和元知識遷移機制，難以應對未見過靶標的預測任務，無法快速利用少量實驗數據形成對新靶標的特異性理解并實現可靠預測。元學習作為“學會學習”的有效框架，雖已被應用于DTA預測，但現有元學習方法存在任務采樣不合理、易受噪聲任務干擾、依賴訓練任務與測試任務相似性等缺陷，仍需進一步優化以提升模型在少樣本、跨靶標場景下的泛化能力。

為了 緩解 現有DTA預測模型在少樣本、未見過靶標場景下的應用瓶頸，研究團隊創新研發了一種基于元學習框架的DTA預測模型（AdaMBind）。該模型集成三大核心組成部分：元學習模塊、自適應任務模塊及標簽噪聲注入策略。其中，元學習模塊為模型提供“學會學習”的核心能力，助力模型快速利用少量數據實現知識遷移；自適應任務模塊通過“由易到難”的動態調度機制，實現對高價值任務的優先學習；標簽噪聲注入策略則進一步提升模型的穩健性。三者協同作用，構建起高效、穩健的DTA預測架構，可實現對未見過靶標的精準親和力預測。

圖. 基于元學習和任務自適應機制的的藥靶親和力 預測的方法框架圖

AdaMBind通過對三個基準數據集（BindingDB、KIBA、Davis）的測試，并與8種基線模型進行比較，展示了其優越的性能，無論是在多樣本還是小樣本設置下，均顯著優于各類基線模型。此外，自適應任務機制的有效性得到驗證，其“由易到難”的動態任務調度策略，有效提升了模型的訓練效率和泛化能力，與理論預期高度一致。

為了驗證AdaMBind的實際應用價值，研究團隊開展了虛擬篩選實驗及FLT3潛在抑制劑預測實驗。實驗結果表明，AdaMBind能夠有效篩選出具有潛在活性的化合物，成功預測出FLT3潛在抑制劑，充分證明其可加速從理論模型到實際藥物開發的轉化過程，為藥物研發提供有力支撐。

綜上，本研究提出的AdaMBind模型通過元學習與自適應任務模塊的協同作用，有效解決了少樣本、未見過靶標場景下DTA預測的核心難題，在三種基準數據集、兩種任務劃分方式以及不同樣本量場景下，均展現出優于現有基線模型的性能，尤其在少樣本和低序列相似性靶標預測中優勢顯著。自適應任務模塊的可解釋性分析進一步揭示了模型的工作機制，為后續元學習在DTA預測中的應用提供了重要參考。AdaMBind不僅為少樣本DTA預測提供了穩健的框架，還在虛擬篩選和FLT3抑制劑發現中展現出良好的實際應用價值，有望加速早期藥物研發進程，為新興、研究不足靶標的藥物開發提供高效、可靠的計算工具。

萬夢璇、趙彥彭、張藝馨為該論文共同第一作者，伯曉晨、何松、昝鵬為該論文的共同通訊作者。

原文鏈接：https://www.nature.com/articles/s41467-026-70554-5

伯曉晨研究員/何松研究員/昝鵬教授的人工智能賦能藥物發現交叉研究團隊一直致力于利用生物醫學大數據與人工智能技術探索復雜疾病的致病機理和藥物治療方案，在 Nature、Nature Microbiology、Nature Machine Intelligence、Nature Communications、Molecular Cell 、 Nucleic Acids Research、Genome Biology 等雜志發表多篇論文。交叉研究團隊招收碩士、博士研究生及博士后，接受具備一定基礎的本科生進組實習，歡迎感興趣的同學加入或來函咨詢。

制版人：十一

BioArt

Med

Plants

人才招聘

學術合作組織

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。