药物‑靶点亲和力（DTA）预测是计算机辅助药物发现的关键环节，能够在实验验证前筛选出潜在的化合物‑蛋白对。当前的难点在于如何从药物结构中挖掘多层次的分子信息，并准确刻画靶标蛋白的结合位点环境。
HierDTA 通过层次结构感知的方式解决上述问题。对药物，HierDTA 将其建模为原子‑基序异构图，并引入增强模块，将功能基序语义传播到对应的原子上。对蛋白，尤其是激酶域结构，转换为残基相互作用图。随后利用跨注意力机制将原子表示与残基表示融合，以捕获特定药物‑蛋白对的关系；同时，分子指纹和预训练的 ESM‑2 嵌入提供全局信息的补充。
在 Davis 数据集上，HierDTA 在所有评估指标上均优于最新方法；在 KIBA 数据集上实现最高的 $r_m^2$ 为 0.791。冷启动实验显示，尤其在 KIBA 的未见蛋白场景下，MSE 降低了 21.7%。消融实验和可解释性分析验证了层次增强和交互模块的贡献。案例研究进一步表明，HierDTA 能够在早期阶段富集活性候选化合物。
这些结果表明，HierDTA 是一种有效的亲和力预测与靶向虚拟筛选框架。
点评