用DrugBAN搞定药物-靶点预测：从SMILES序列到蛋白，手把手跑通双线性注意力网络
从零构建DrugBAN模型：实战药物-靶点预测全流程解析
在药物发现领域，准确预测药物分子与靶点蛋白的相互作用（DTI）能显著降低研发成本。传统实验方法耗时费力，而深度学习模型如DrugBAN通过双线性注意力机制，不仅能预测结合概率，还能可视化关键相互作用位点。本文将带您从SMILES序列和蛋白序列出发，完整实现一个可解释的DTI预测系统。
1. 环境配置与数据准备
1.1 工具链搭建
推荐使用Python 3.8+和CUDA 11.3环境，核心工具包包括：
conda create -n drugban python=3.8 conda install -c rdkit rdkit pip install torch==1.12.0+cu113 torchvision==0.13.0+cu113 --extra-index-url https://download.pytorch.org/whl/cu113 pip install biopython pandas scikit-learn注意：RDKit对分子结构的处理需要严格校验SMILES格式，建议预先使用
rdkit.Chem.MolFromSmiles()进行过滤
1.2 数据集处理
以BindingDB数据集为例，原始数据需要转换为模型可读的格式：
| 字段名 | 类型 | 说明 |
|---|---|---|
| smi | text | 标准化的SMILES字符串 |
| protein_seq | text | 蛋白质的氨基酸序列 |
| label | int | 1表示结合，0表示不结合 |
from Bio.Seq import Seq from rdkit import Chem def validate_sample(smi, seq): try: mol = Chem.MolFromSmiles(smi) protein = Seq(seq) return mol is not None and len(protein) > 50 except: return False2. 分子与蛋白的特征工程
2.1 分子图编码
采用GCN对SMILES进行编码时，需要先转换为分子图：
import torch from torch_geometric.data import Data def smiles_to_graph(smiles): mol = Chem.MolFromSmiles(smiles) atoms = mol.GetAtoms() # 原子特征矩阵 x = torch.tensor([[atom.GetAtomicNum(), atom.GetDegree(), atom.GetHybridization().real] for atom in atoms], dtype=torch.float) # 边索引 edge_index = [] for bond in mol.GetBonds(): i = bond.GetBeginAtomIdx() j = bond.GetEndAtomIdx() edge_index.extend([[i, j], [j, i]]) return Data(x=x, edge_index=torch.tensor(edge_index).t().contiguous())2.2 蛋白序列编码
使用CNN处理蛋白序列时，建议采用如下嵌入策略：
- 将每个氨基酸转换为128维向量
- 添加位置编码捕获序列顺序
- 通过1D卷积提取局部特征
class ProteinEncoder(nn.Module): def __init__(self): super().__init__() self.embed = nn.Embedding(26, 128) # 25种氨基酸+填充符 self.conv = nn.Sequential( nn.Conv1d(128, 64, kernel_size=3), nn.ReLU(), nn.MaxPool1d(2) ) def forward(self, x): x = self.embed(x) # [batch, seq_len, 128] x = x.permute(0,2,1) # 通道维度在前 return self.conv(x)3. 双线性注意力网络实现
3.1 BAN核心结构
双线性注意力通过矩阵运算捕获分子-蛋白相互作用：
class BANLayer(nn.Module): def __init__(self, mol_dim, prot_dim): super().__init__() self.W = nn.Parameter(torch.randn(mol_dim, prot_dim)) def forward(self, mol_feat, prot_feat): # mol_feat: [batch, mol_nodes, mol_dim] # prot_feat: [batch, prot_nodes, prot_dim] attention = torch.einsum('bmd,dp,bpn->bmn', mol_feat, self.W, prot_feat.transpose(1,2)) mol_attn = torch.softmax(attention.max(2)[0], dim=1) prot_attn = torch.softmax(attention.max(1)[0], dim=1) return mol_attn, prot_attn3.2 可视化注意力机制
通过RDKit可直观展示关键原子位点：
def highlight_atoms(mol, atom_weights): from rdkit.Chem import Draw highlight = {i: float(atom_weights[i]) for i in range(mol.GetNumAtoms())} return Draw.MolToImage(mol, highlightAtoms=highlight.keys(), highlightAtomColors=highlight)4. 模型训练与调优
4.1 对抗训练技巧
CDAN模块的实现要点：
- 特征提取器需要冻结部分层
- 域分类器采用梯度反转层
- 学习率设置为BAN模块的1/10
class GradientReversalFn(torch.autograd.Function): @staticmethod def forward(ctx, x, alpha): ctx.alpha = alpha return x @staticmethod def backward(ctx, grad_output): return -ctx.alpha * grad_output, None class CDAN(nn.Module): def __init__(self, input_dim): super().__init__() self.domain_classifier = nn.Sequential( nn.Linear(input_dim, 64), nn.ReLU(), nn.Linear(64, 2) ) def forward(self, feat, alpha=1.0): feat = GradientReversalFn.apply(feat, alpha) return self.domain_classifier(feat)4.2 多任务损失函数
联合优化DTI预测和域适应目标：
def compute_loss(y_pred, y_true, domain_pred, domain_true): bce_loss = nn.BCELoss()(y_pred, y_true) domain_loss = nn.CrossEntropyLoss()(domain_pred, domain_true) return bce_loss + 0.3 * domain_loss # 平衡系数需网格搜索5. 生产级部署建议
实际应用中还需考虑：
- 建立分子特征缓存数据库
- 使用TorchScript导出模型
- 开发REST API接口
import flask app = flask.Flask(__name__) @app.route('/predict', methods=['POST']) def predict(): smi = flask.request.json['smiles'] seq = flask.request.json['sequence'] mol_graph = smiles_to_graph(smi) prot_feat = protein_encoder(seq) with torch.no_grad(): pred = model(mol_graph, prot_feat) return {'probability': float(pred)}在真实项目中使用时，建议先用小规模数据验证流程，再逐步扩展到千万级化合物库。模型解释性结果应与生物学家合作验证，这对新靶点发现尤为重要。