Tensor-DTI: Mehrwert durch multimodales kontrastives Lernen bei DTI‑Vorhersagen

Die Vorhersage von Arzneimittel‑Zielinteraktionen (Drug‑Target Interaction, DTI) ist ein zentrales Ziel der computergestützten Wirkstoffforschung. Traditionelle Modelle stützen sich häufig auf einseitige, vorgefertigte Molekülbeschreibungen oder auf sequentielle Embeddings, die die Komplexität der chemischen und strukturellen Eigenschaften nur begrenzt erfassen.

Tensor‑DTI präsentiert einen neuen Ansatz, der kontrastives Lernen nutzt, um multimodale Embeddings aus Molekülgraphen, Protein‑Sprachmodellen und Bindungs‑Site‑Vorhersagen zu kombinieren. Durch eine siamesische Dual‑Encoder‑Architektur kann das System gleichzeitig chemische und strukturelle Merkmale abbilden und dabei Interaktionspaare von Nicht‑Interaktionspaaren unterscheiden.

In umfangreichen Benchmarks übertrifft Tensor‑DTI sowohl sequentielle als auch graphbasierte Modelle. Besonders beeindruckend sind die groß angelegten Inferenztests am Ziel CDK2, bei denen das System selbst bei fehlender Trainingsinformation für CDK2 chemisch plausible Trefferverteilungen erzeugt. In Enrichment‑Studien gegen Glide‑Docking und Boltz‑2 bleibt Tensor‑DTI konkurrenzfähig und reduziert den Screening‑Budgetbedarf, um moderate Anteile hochaffin liganden zu identifizieren, insbesondere bei Out‑of‑Family‑Zielen unter strengen Holdout‑Splits.

Darüber hinaus zeigt die Methodik ihre Vielseitigkeit in der Vorhersage von Protein‑RNA‑ und Peptid‑Protein‑Interaktionen. Die Ergebnisse unterstreichen, wie die Integration multimodaler Informationen in kontrastiven Lernrahmen die Genauigkeit von Interaktionsvorhersagen steigert und gleichzeitig interpretierbarere, zuverlässigere Modelle für virtuelle Screening‑Anwendungen liefert.