近日，我院2023级计算机科学与技术专业本科生班鼎程（第一作者），在李先彬博士（通讯作者）的指导下，以九江学院为第一单位，在免疫学领域国际知名期刊《Frontiers in Immunology》(IF: 7.0；Q1；SCI二区)上在线发表了题为“A hybrid high activity aware framework integrating graph attention network and transformer for half maximal inhibitory concentration prediction”的论文。该研究获得国家自然科学基金青年项目、江西省自然科学基金面上项目的支持。论文链接：https://doi.org/10.3389/fimmu.2026.1929215 。

针对c-KIT受体的酪氨酸激酶抑制剂在胃肠道间质瘤（GIST）等恶性肿瘤的靶向治疗中具有关键作用。这些抑制剂的生物活性通常通过半数最大抑制浓度（IC50）来量化，因此准确预测IC50对于加速抗癌先导化合物的发现和优化是一项关键的计算任务。为满足这一需求，我们提出了HGATT——一种整合图注意力网络（GAT）和Transformer的混合高活性感知框架，用于高精度预测c-KIT抑制剂的半数最大抑制浓度（IC50）。该模型基于来自BindingDB和ChEMBL数据库的c-KIT及相关激酶家族抑制剂数据进行训练。通过从SMILES字符串中提取原子级图特征、Morgan指纹和理化描述符，HGATT构建了一个统一的分子表示，整合了局部结构和全局信息。其架构采用多维图注意力机制和门控残差模块，以同时捕捉原子级局部结构特征和宏观分子特性。采用了包括梯度裁剪在内的稳定训练策略，以提高训练效率和模型稳健性。在独立测试集上，HGATT实现了均方误差（MSE）0.28和决定系数（R²）0.57，与第二好的基准模型相比，MSE降低了约44%。实验结果表明，HGATT不仅优于单一的图神经网络（GNN）和基于机器学习的模型，还优于其他相关药物-靶点预测方法和基准回归方法，展现出更优越的预测准确性。

李先彬供稿

排版：魏东平 审核：彭虎 董西伟