药物和靶标之间的相互作用是药物发现的一个重要研究领域，在药物虚拟筛选、老药新用、药物毒副作用研究等新药开发环节起着至关重要的作用。基于生物实验的传统药物靶标验证方法精度低、成本高、周期长的缺陷，因此通过计算模拟的方法预测药物和靶标间相互作用是非常必要的。对于药物-靶标相互作用预测的方法，引入基因组学、蛋白组学和药理学等异构数据可以提高稀疏数据集上的预测精度，但如何系统且高效地整合大规模异构数据是当前的研究难点。

　　2021年10月，浙江大学药学院&智能创新药物研究院侯廷军团队、浙江大学控制学院贺诗波团队、中南大学曹东升团队和腾讯量子实验室联合在《自然·通讯》（NatureCommunications）发表论文“A unifieddrug-target interaction prediction framework based on knowledge graph and recommendation system”，提出了一种基于知识图谱和推荐系统的药物靶标相互作用预测新方法。该方法高效地整合多组学的信息，为全新药物-靶标相互作用对的发现提供了功能强大的计算工具。

　　为了解决传统方法中存在的数据稀疏性、冷启动问题，作者通过知识图谱对可利用的异构数据进行建模，无需节点间的相似性计算，简单高效地整合了不同来源的组学数据。在基于知识图谱的信息表征基础上，该方法结合推荐系统方法--神经因子分解机进行药物靶标相互作用预测，有效去除了复杂生物网络中的噪声，并整合药物和蛋白结构信息的传统表征方式，进一步保证在真实场景下高精度，高稳定性的预测性能。

　　在三类贴近真实应用的测试场景中，KGE_NFM均保持了高精度的预测性能，尤其是在对于靶标蛋白的冷启动场景下，KGE_NFM在四个基准数据集上相比于传统方法有着15%～30%的预测精度的提升。结果表明KGE_NFM是一种极具竞争力的药物-靶标相互作用预测方法，有望促进复杂疾病蛋白质靶点的发现和分子作用机制的阐明。

　　浙江大学智能创新药物研究院和药学院为本论文的第一署名单位，浙江大学药学院和控制学院联培博士生叶青和腾讯量子实验室谢昌谕博士为共同第一作者，浙江大学侯廷军教授、浙江大学贺诗波教授、中南大学曹东升教授为共同通讯作者。

　　原文链接：https://www.nature.com/articles/s41467-021-27137-3