LLM^3-DTI: A Large Language Model and Multi-modal data co-powered framework for Drug-Target Interaction prediction
Yuhao Zhang, Qinghong Guo, Qixian Chen, Liuwei Zhang, Hongyan Cui, Xiyi Chen
药物靶标相互作用(DTI)预测对药物发现和药物再利用具有重要意义。 随着大量有价值的数据的积累,数据驱动的方法越来越多地用于预测DTI,从而降低了不同维度的成本。 因此,本文提出了一个名为LLM^3-DTI的大型语言模型和多模型数据共同驱动的药物靶相互作用预测框架。 LLM^3-DTI构建多模态数据嵌入,以提高DTI预测性能。 在这个框架中,药物和目标的文本语义嵌入由特定领域的LLM编码。 有效对齐和融合多模态嵌入。 我们提出了双交叉注意力机制和TSFusion模块。 最后,这些多模态数据通过输出网络用于DTI任务。 实验结果表明,LLM^3-DTI可以熟练地识别经过验证的DTI,超过了用于在不同场景中进行比较的模型的性能。 因此,LLM^3-DTI擅长以卓越的方式完成DTI预测的任务。 数据和代码可在https://github.com/chaser-gua/LLM3DTI查阅。
Drug-target interaction (DTI) prediction is of great significance for drug discovery and drug repurposing. With the accumulation of a large volume of valuable data, data-driven methods have been increasingly harnessed to predict DTIs, reducing costs across various dimensions. Therefore, this paper proposes a Large Language Model and Multi-Model data co-powered Drug Target Interaction prediction framework, named LLM^3-DTI. LLM^3-DTI constructs multi-modal data embedding to enhance DTI prediction ...