预测药物-靶点相互作用是药物发现的关键步骤。现有的基于图神经网络的预测方法取得了较好的效果，但是仍然存在两方面挑战：一是如何更高效地提取药物和靶点中深层次的特征和丰富的语义信息，二是如何明确地建模并学习药物和靶点之间的相互作用，以便更好地预测和解释。为了解决以上问题，本文提出了基于注意力感知和模态融合的药物-靶点相互作用预测方法。对于药物分支，利用Graph Transformer和图卷积神经网络来联合表征药物分子的全局结构和生化信息。对于蛋白质分支，采用了一个独立的编码模块来提取蛋白质的全局和局部特征。为了更准确的建模和学习药物和靶点之间的作用关系，设计了一个基于Transformer的模块来融合药物和靶点特征。最后，在三个公开数据集上的实验结果表明，在主要评价指标上均有所提升，该方法能够更加准确的预测药物和靶点的相互作用。

1 相关工作
2 方法与模型
2.1 问题定义
2.2 APMF模型框架
2.3 药物编码器
2.4 蛋白质编码器
2.5 模态融合预测
3 实验
3.1 实验设置
3.1.1 数据集
3.1.2 实验设计
3.1.3 基线模型
3.1.4 评价策略和衡量标准
3.2 实验结果与分析
3.2.1 总体实验性能
3.2.2 消融实验
3.2.3 超参数设置和分析
3.2.4 对不可见药物/靶点的性能比较
3.2.5 缺失数据下的性能比较
4 结束语