学术背景 DNA序列比对是基因组学中的一项核心任务，旨在将短DNA片段（reads）定位到参考基因组上的最可能位置。传统方法通常分为两个步骤：首先对基因组进行索引，然后通过高效搜索定位reads的可能位置。然而，随着基因组数据的爆炸式增长，尤其是面对长达数十亿碱基的参考基因组时，传统的比对方法在计算效率和准确性上面临巨大挑战。近年来，Transformer模型在自然语言处理（NLP）领域的成功启发了研究人员将其应用于DNA序列分析。尽管已有研究表明Transformer模型在短DNA序列分类任务中表现优异，但序列比对任务需要在整个基因组范围内进行搜索，这对模型的全局搜索能力提出了更高要求。 为此，本研究提出了一种名为“embed-search-align”（ESA）的新框架，旨在通过Tran...

学术背景 药物-靶点相互作用（Drug-Target Interaction, DTI）预测是药物发现中的关键环节，能够显著降低实验筛选的成本和时间。然而，尽管深度学习技术已经提升了DTI预测的准确性，现有方法仍面临两大挑战：泛化能力不足和亚口袋级相互作用的忽视。首先，现有模型在未见过的蛋白质和跨域设置下性能显著下降；其次，当前的分子关系学习往往忽略了亚口袋级别的相互作用，而这些相互作用对于理解结合位点的细节至关重要。为了解决这些问题，研究人员提出了一种名为SP-DTI的新型模型，通过引入亚口袋分析和预训练语言模型，提升了DTI预测的准确性和泛化能力。 论文来源 这篇论文由Sizhe Liu、Yuchen Liu、Haofeng Xu、Jun Xia和Stan Z. Li共同撰写。他们分别来...