Drug-Target Interaction Prediction with PIGLET

本文提出了一种名为 PIGLET 的新型图 Transformer 方法，通过构建包含结合口袋相似性、蛋白互作及药物相似性的蛋白质组知识图谱来预测药物 - 靶标相互作用，并在更严格的药物划分基准测试及真实案例中展现出优于现有深度学习模型的性能。

要点

这篇论文介绍了一种名为 PIGLET 的新工具，它就像是一个超级智能的“药物 - 蛋白质配对侦探”，旨在帮助科学家更快地发现新药。

为了让你更容易理解，我们可以把药物研发想象成在一个巨大的**“宇宙级相亲大会”**中寻找完美的伴侣。

1. 背景：为什么我们需要 PIGLET？

在药物研发中，科学家需要找到一种“药物分子”（就像一位单身男士）和一种“人体蛋白质”（就像一位单身女士），让它们能完美地结合在一起（产生治疗效果）。

• 传统方法（旧式相亲）： 以前的 AI 模型就像是用“简历”来相亲。它们只看药物和蛋白质的“文字描述”（比如化学式或基因序列）。虽然这些 AI 在随机测试中表现很好，但就像只看过简历就结婚，一旦遇到现实中没见过的“新面孔”（新药物），它们往往就抓瞎了，因为简历里没写它们性格（结构）是否合拍。
• PIGLET 的方法（全宇宙社交网）： PIGLET 不只看简历，它手里拿着一张巨大的“宇宙社交关系网”。在这张网里：
  • 药物和蛋白质是节点（人）。
  • 它们之间的相似性、相互作用、甚至它们“口袋”（结合位点）长得像不像，都是连线（关系）。
  • 它知道：如果两个蛋白质的“口袋”长得非常像，那么它们很可能喜欢同一种药物（就像两个长得像的人，可能喜欢同一种类型的音乐）。

2. PIGLET 是怎么工作的？（核心比喻）

想象 PIGLET 是一个拥有“读心术”的超级红娘，它的工作流程是这样的：

1. 构建社交网络（知识图谱）：
   PIGLET 首先建立了一个包含整个人体蛋白质组（约 2 万种蛋白质）和数千种药物的巨大网络。

   • 蛋白质社交： 如果两个蛋白质的“口袋”结构很像，它们就手拉手（相似边）。
   • 药物社交： 如果两种药物长得像，它们也手拉手。
   • 蛋白质社交圈： 如果两个蛋白质在细胞里经常一起工作（相互作用），它们也连在一起。
   • 红娘的“秘密情报”： 它还偷偷参考了 DrugBank 数据库里的已知配对信息，作为“经验法则”来指导学习，但不直接用于考试。

2. 图神经网络（Transformer）：
   这个“红娘”使用了一种叫图 Transformer的高级技术。它不像普通 AI 那样死记硬背，而是像在社交网络上“传话”。

   • 它通过观察一个药物的“朋友圈”（相似药物）和蛋白质的“朋友圈”（相似蛋白质），来推断它们是否般配。
   • 核心逻辑： “物以类聚，人以群分”。如果药物 A 和药物 B 很像，而药物 B 能治愈某种病（结合某种蛋白），那么药物 A 很可能也能。

3. 预测配对：
   当科学家拿一个新的药物来问：“它能和哪个蛋白质结合？”PIGLET 就会在它的社交网里搜索，看看这个新药物和哪些蛋白质“气场相合”，然后给出一个匹配分数。

3. 为什么这次研究很重要？（两个关键的测试）

作者为了证明 PIGLET 真的厉害，设计了两种“考试”：

• 考试 A：随机分卷（Random Split）

  • 做法： 把已知的配对数据打乱，随机分给训练和测试。
  • 结果： 所有 AI 模型（包括 PIGLET）都考得很好（98% 正确率）。
  • 比喻： 这就像让学生做“原题”，大家都能背下来答案。这不能证明谁真的聪明。

• 考试 B：新药分卷（Drug-based Split）—— 真正的挑战！

  • 做法： 把整个一类相似的新药都划到“考试区”，训练集里完全没有这类药。这模拟了现实中科学家发现了一种全新结构的药物，需要预测它能治什么病。
  • 结果：
    • 其他模型（只看简历的）考砸了，分数暴跌，因为它们没见过这种“新面孔”。
    • PIGLET 却稳住了！ 它的分数依然很高（87%）。
  • 比喻： 这就像让学生做“从未见过的难题”。PIGLET 之所以能行，是因为它懂得**“举一反三”**。它虽然没见过这个新药，但它认识这个药的“亲戚”（相似药物），也知道这些亲戚喜欢什么样的蛋白质，所以它能猜对。

4. 实际案例：预测未来的药

作者用 PIGLET 去预测了 2025 年刚获得 FDA 批准的 11 种新药（在训练时这些药是“隐形”的）。

• 结果： PIGLET 成功识别出了其中几种药的主要作用目标，甚至能发现它们可能产生的“副作用”（意外结合的其他蛋白质）。
• 意义： 这意味着 PIGLET 真的能帮科学家在药物上市前，就提前发现它可能治什么病，或者有什么风险，大大加速了研发过程。

5. 总结：PIGLET 的三大优势

1. 眼光更毒（结构相似性）： 它不看表面（基因序列），而是看“内在结构”（结合口袋）。就像找对象，它不看名字，而是看性格和灵魂是否契合。
2. 更抗造（泛化能力强）： 面对从未见过的新药，它依然能靠“关系网”推理出结果，不会像其他模型那样“死机”。
3. 跑得快（效率高）： 相比那些需要数小时训练的复杂模型，PIGLET 像短跑运动员，不到 20 分钟就能完成训练，适合快速迭代。

一句话总结：
PIGLET 不再死记硬背药物和蛋白质的“简历”，而是通过构建一个庞大的**“宇宙社交关系网”，利用“物以类聚”的智慧，在茫茫人海中精准地预测出新药物和新靶点**的完美配对，让新药研发从“大海捞针”变成了“按图索骥”。

技术摘要

以下是关于论文《Drug-Target Interaction Prediction with PIGLET》（基于 PIGLET 的药物 - 靶点相互作用预测）的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心任务：药物 - 靶点相互作用（DTI）预测是计算机辅助药物开发（CADD）中的关键任务，旨在预测药物分子与蛋白质靶点之间是否会发生结合。
• 现有挑战：
  • 性能虚高：现有的深度学习模型（如基于 CNN 或 Transformer 的序列/结构模型）在随机划分的数据集上报告了极高的性能（AUROC > 0.97），但这往往是由于数据泄露（Data Leakage）导致的，未能反映真实世界中新药发现的难度。
  • 泛化能力不足：大多数模型依赖于药物或靶点的一维序列或三维结构嵌入，缺乏利用更广泛的生物学关系（如蛋白质相互作用网络、结合口袋相似性）的能力。
  • 评估标准单一：传统的随机划分（Random Split）无法模拟“新药”场景，因为测试集中的药物可能在训练集中已有相似物，导致模型过拟合。

2. 方法论 (Methodology)

作者提出了 PIGLET（Proteome-wide Interaction Graph Link prediction by Embedding with Transformers），一种基于图神经网络的 DTI 预测方法。

2.1 数据构建：全蛋白质组相互作用图

PIGLET 构建了一个异质知识图谱（Heterogeneous Knowledge Graph），覆盖整个人类蛋白质组，包含以下节点和边：

• 节点：
  • 靶点节点 ($V_{target}$)：来自 UniProt 的人类蛋白质，包含实验测定或计算预测的结合口袋（使用 HOTPocket 和 BioLiP2）。
  • 药物节点 ($V_{drug}$)：来自 Human 数据集和 DrugBank 的药物。
• 边（关系）：
  • 药物 - 靶点结合 ($E_{bind}, E_{bindMP}$)：来自 Human 数据集（用于训练/测试）和 DrugBank（仅用于消息传递，引导归纳偏置）。
  • 靶点 - 靶点相互作用 ($E_{PPI}$)：来自 STRING 数据库的蛋白质 - 蛋白质相互作用。
  • 靶点 - 靶点相似性 ($E_{targetsim}$)：基于结合口袋的相似性。利用 ESM2 生成残级嵌入，计算口袋间的余弦相似度（阈值 > 0.95）。
  • 药物 - 药物相似性 ($E_{drugsim}$)：基于 ChemBERTa 嵌入的余弦相似度（阈值 > 0.8）。

2.2 模型架构

PIGLET 由两部分组成：

1. 嵌入主干 (Embedding Trunk)：
   • 采用 3 层异构图卷积层，使用 TransformerConv 层进行消息传递。
   • 引入虚拟节点连接所有药物节点以辅助信息传播。
   • 学习药物和靶点节点的低维嵌入表示。
2. 链接预测头 (Link Prediction Head)：
   • 将药物节点和靶点节点的嵌入拼接，输入到一个两层的前馈神经网络（FFN）中。
   • 输出二元交互概率（结合/不结合）。

2.3 数据划分策略 (关键创新)

为了更严格地评估模型，作者提出了两种划分策略：

• 随机划分 (Random Split)：传统的 80:10:10 随机划分，用于与现有 SOTA 模型对比。
• 基于药物的划分 (Drug-based Split)：
  • 基于 Morgan 指纹的 Tanimoto 相似性对药物进行层次聚类。
  • 将聚类后的药物簇划分为训练/验证集和测试集，确保测试集中的药物在训练集中没有任何相似物。
  • 这种策略模拟了发现全新药物结构的真实场景，更能检验模型的泛化能力。

3. 关键贡献 (Key Contributions)

1. 全蛋白质组知识图谱：首次构建了包含结合口袋相似性、PPI、药物相似性及已知结合关系的超大规模异质图谱，突破了仅依赖序列或单一结构的局限。
2. PIGLET 模型：提出了一种基于图 Transformer 的 DTI 预测框架，能够有效利用图谱中的多源信息进行消息传递。
3. 更严格的评估基准：引入了“基于药物相似性的划分”策略，揭示了现有模型在随机划分下的高性能往往是过拟合的结果，并证明了 PIGLET 在更严苛场景下的优越性。
4. 真实世界案例验证：利用 PIGLET 成功预测了 2025 年 FDA 批准的新药（在训练时未见过的药物）的潜在靶点，展示了其在新药发现中的实际应用潜力。

4. 实验结果 (Results)

• 随机划分表现：在随机划分下，PIGLET 与 AMMVF-DTI、FragXsiteDTI、TransformerCPI 和 MSF-DTA 等 SOTA 模型表现相当（AUROC 约 0.975 - 0.983），验证了模型的基础有效性。
• 基于药物划分表现 (核心优势)：
  • 所有模型在药物划分下的性能均显著下降（数据泄露被消除）。
  • PIGLET 表现最佳：测试集 AUROC 达到 0.873，显著优于其他模型。
  • 对比分析：
    • 基于序列/结构的模型（如 FragXsiteDTI, TransformerCPI）表现最差（AUROC 0.53 - 0.64），说明仅靠序列/结构难以泛化到全新药物。
    • 另一网络模型 MSF-DTA 表现第二（0.841），但 PIGLET 仍胜出。
• 消息传递的作用：消融实验表明，在药物划分下，引入 DrugBank 作为消息传递边（但不用于反向传播）显著提升了 PIGLET 的性能（从 0.720 提升至 0.873），证明了利用外部知识引导归纳偏置的重要性。
• 效率：PIGLET 作为网络模型，训练速度快于基于序列和结构的模型（平均 < 20 分钟 vs. FragXsiteDTI 的 4.8 小时）。
• 案例研究：在 11 种 2025 年获批的新药中，PIGLET 成功以高分（>0.9）识别出了其中 3 种药物的已知靶点，证明了其在“未见药物”上的预测能力。

5. 意义与结论 (Significance)

• 重新定义评估标准：该论文指出，仅依靠随机划分评估 DTI 模型是不充分的，容易高估模型能力。提出的“基于药物划分”策略为未来 DTI 研究提供了更严谨、更贴近现实的基准。
• 生物学洞察：PIGLET 的成功证明了利用结合口袋的局部结构相似性（而非全局序列相似性）来推断药物 - 靶点相互作用的有效性。这解释了为何即使序列差异大，具有相似结合口袋的蛋白也能结合相似药物。
• 实际应用价值：PIGLET 展示了在早期药物发现和老药新用（Drug Repurposing）中的潜力，特别是在处理全新化学实体时，能够利用全蛋白质组的知识图谱进行有效推理。
• 局限性：目前仅在 Human 数据集上进行了基准测试，未来需要在更多数据集（如 BindingDB, KIBA 等）上验证；且模型预测结果仍需实验验证，不能直接作为医疗决策依据。

总结：PIGLET 通过构建全蛋白质组知识图谱并结合图 Transformer 技术，解决了传统 DTI 模型在泛化能力上的瓶颈。其提出的严格评估策略和优异的实验结果，为下一代药物发现 AI 模型的设计指明了方向：即从单一的序列/结构特征转向利用多维度的生物网络知识。