一

论文题目：

FusionDTA: attention-based feature polymerizer and knowledge distillation for drug-target binding affinity prediction 论文摘要：

药物-靶点亲和力(DTA)的预测在药物发现中起着越来越重要的作用。目前，许多预测方法主要关注药物和蛋白质的特征编码，而忽略了特征聚合的重要性。然而，日益复杂的编码网络导致了隐式信息的丢失和模型尺寸的过大。文章提出了一种基于深度学习的方法，即FusionDTA。针对隐式信息丢失的问题，提出了一种新的多头线性注意机制来替代粗糙池化方法。这允许FusionDTA基于注意力权重聚集全局信息，而不是像max-pooling那样选择最大的一个。为了解决参数冗余的问题，将可学习信息从教师模型传递到学生模型中，并将知识精馏应用到信息融合模型中。结果表明，在所有的评估指标上，FusionDTA的性能都优于现有的测试域模型。在Davis和KIBA数据集上，文章得到了一致性指数(CI)指数分别为0.913和0.906，而之前的先进模型的一致性指数分别为0.893和0.891。文章的模型具有优越的性能，提高了药物-靶点相互作用(DTI)预测的效果。

论文链接：

https://academic.oup.com/bib/advance-article/doi/10.1093/bib/bbab506/6470967