AI+Drug 文献速递 | 基于分子指纹BERT与分形图神经网络的分子性质预测新方法，在多数据集上刷新性能上限

1. Structure-Based Robust Fractal Graph Neural Network with Molecular Fingerprint BERT for Molecular Property Prediction

期刊: IEEE Transactions on Emerging Topics in Computational Intelligence 链接: https://doi.org/10.1109/TETCI.2025.3543308

简介:针对分子属性预测中标记数据不足、标签分布不平衡及忽视3D结构特征的挑战，本文提出结合分子指纹BERT（MFBERT）和分形图神经网络（FGNN）的模型，利用预训练MFBERT提取无标签数据特征，FGNN融合3D构象并通过加权梯度分布鲁棒优化处理数据不平衡。实验在MoleculeNet的7个数据集（包括ESOL、FreeSolv等3个回归和4个分类任务）上进行，结果显示该模型在RMSE、ROC-AUC等指标上均优于现有方法，消融实验验证了各模块的必要性。该研究为分子属性预测提供了高效准确的新方法，有效提升了模型对多维度分子特征的捕捉能力和鲁棒性。

2. HNF-DDA: subgraph contrastive-driven transformer-style heterogeneous network embedding for drug–disease association prediction

期刊: BMC Biology 链接: https://doi.org/10.1186/s12915-025-02206-x 代码: https://doi.org/10.5281/zenodo.15117258 https://github.com/ShangCS/HNF-DDA

简介:为解决药物-疾病关联预测中忽视全局关系和复杂子图结构的问题，本文提出HNF-DDA模型，通过全对消息传递捕捉网络全局结构，并引入子图对比学习提取局部语义信息，结合生物语言模型生成初始节点嵌入，最后用XGBoost分类。在KEGG和HetioNet数据集上的十折交叉验证显示，该模型在AUROC、AUPR和准确率上优于RotatE、DREAMwalk等10种基线方法，且在跨类别预测中表现出更强的泛化能力，案例研究验证了其预测的候选药物有效性。

3. Optimizing drug-target binding affinity prediction for kinase proteins: a novel all-MLP-transformer approach

期刊: Network Modeling Analysis in Health Informatics and Bioinformatics 链接: https://doi.org/10.1007/s13721-025-00516-2

简介:针对现有方法计算复杂和依赖3D结构数据的问题，本文提出TransMLP-DTBA模型，采用全MLP混合Transformer架构，利用SMILES和蛋白质序列的1D编码避免高维运算，通过Softmax序列池化和随机深度正则化提升预测精度。在Davis和KIBA数据集上，该模型的MSE、CI和R²指标均优于DeepDTA、GraphDTA等方法，展现出更强的鲁棒性和预测准确性。研究表明，基于MLP的Transformer架构可有效提升药物-靶点结合亲和力预测的效率和精度，适用于大规模筛选和药物重定位。

4. Multiscale graph equivariant diffusion model for 3D molecule design

期刊: Science Advances 链接: https://www.science.org/doi/10.1126/sciadv.adv0778

简介:为解决3D分子生成中结构表示不精确的问题，本文提出多尺度图等变扩散模型MD3MD，将分子构象划分为多尺度图并分配不同权重引导扩散过程，捕捉跨尺度原子相互作用。在QM9和GEOM数据集上，MD3MD在无条件生成任务中实现了更高的原子稳定性（99.7%）、分子有效性（99.7%）和新颖性（100%），条件生成任务中对ε gap、μ等属性的预测误差低于现有方法。可视化和统计分析表明，模型能学习领域特定模式并生成化学空间广泛探索的分子。该研究为3D分子设计提供了一种高效的多尺度几何建模方法。

5. Hyperparameter optimization and neural architecture search algorithms for graph Neural Networks in cheminformatics

期刊: Computational Materials Science 链接: https://doi.org/10.1016/j.commatsci.2025.113904

简介:针对图神经网络（GNN）在化学信息学中性能受超参数和架构选择影响的问题，本文综述了自动化超参数优化（HPO）和神经架构搜索（NAS）策略，强调其在分子性质预测、药物发现等任务中的应用。通过网格搜索、贝叶斯优化、进化算法等方法，系统分析了不同优化技术在GNN中的效果，并在ESOL、FreeSolv、BACE等MoleculeNet基准数据集及DUD-E、LIT-PCBA等虚拟筛选数据集上验证了方法的有效性。实验表明，贝叶斯优化和进化算法在高维搜索空间中表现更优，例如在Lipophilicity数据集上，HESGA算法优化的GCN模型较传统方法RMSE降低约0.06。研究指出，自动化优化技术可显著提升GNN模型的泛化能力和效率，为化学信息学中复杂任务提供了系统化解决方案。

6. OmniEM: Unifying the EM Multiverse through a Large-scale Foundation Model

期刊: bioRxiv 链接: https://doi.org/10.1101/2025.04.13.648639

简介:针对冷冻电镜（EM）数据分析中数据异质性和流程碎片化问题，本文提出OmniEM框架，通过自监督学习训练首个EM专用基础模型EM-DINO，并构建U型架构实现多任务统一处理。研究构建了包含500万张图像的EM-5M数据集，覆盖13个物种、5种成像模态和多分辨率数据，通过DINOv2自蒸馏训练EM-DINO，使其在语义分类和线粒体分割等任务中表现优于传统模型。在CEM-MitoLab、BetaSeg等数据集上，OmniEM的线粒体分割零样本性能较MitoNet提升显著，多类细胞器分割准确率超过现有方法。该研究为EM图像分析提供了首个统一基础模型，推动自动化、通用化EM工作流的发展。

7. Improving the Hit Rates of Virtual Screening by Active Learning from Bioactivity Feedback

期刊: Journal of Chemical Theory and Computation 链接: https://doi.org/10.1021/acs.jctc.4c01618 代码: https://github.com/xiangtanshi/ALBF

简介:针对虚拟筛选（VS）命中率低的问题，本文提出主动学习框架ALBF，通过生物活性反馈迭代优化分子排序，结合自适应聚类查询策略和分数优化算法，提升高排名分子中的活性化合物比例。在DUD-E和LIT-PCBA基准数据集上，ALBF通过VinaGPU+和DrugCLIP等评分模型，在50-200次查询内使前100名命中率平均提升60%和30%。例如在DUD-E的KIF11靶点，ALBF将命中率从初始0%提升至85.8%，且较传统一次性测试节省97%的实验成本。研究表明，ALBF通过结构相似性传播反馈，显著提高了虚拟筛选的效率和成本效益，为药物发现提供了新范式。