2024年11月24日，西北工业大学生命学院施建宇教授课题组在生物信息学会议“ACM BCB 24”上发表了题为 “DVL-CC: A Novel Dual-View Learning Framework for Compound Cocrystal Prediction Boosted by View Consistency and Complementarity” 的研究性论文，并获得最佳论文奖（图1）。西北工业大学生命学院为该论文的第一完成单位和通讯单位，硕士生余皓洋（已毕业）为该论文的第一作者。该研究成果得到了国家自然科学基金、陕西省重点研发计划以及CAAI华为MindSpore基金等科研项目的资助。ACM BCB 是 ACM 生物信息学专业组（SIGBio）的旗舰会议，本届会议于 2024 年 11 月 22 日至 25 日在中国广东省深圳市举行，是15年来首次在美国以外的地区举办。

图1 最佳论文证书

下文简要介绍了本文的研究内容。

1. 研究背景

在共晶药物研发的初期阶段，共晶筛选的评估对于药物活性成分的优化和新药制剂的开发起着至关重要的作用。共晶的物理、化学和生物药剂学特性直接影响其溶解性、稳定性和生物利用度，因此，准确预测分子的共晶形成能力对于降低开发成本和提高研发效率具有重要意义。然而，传统的生物实验方法用于共晶筛选不仅耗时且费用高昂，这在一定程度上限制了药物研发过程中快速筛选优质共晶的能力。

2. 研究方法

为了解决这些问题，本研究提出了DVL-CC模型，这是多视图特征融合学习方法，用于预测潜在的药物共晶。该模型结合了SMILES序列数据和分子图数据的深度学习技术，提出了一种新颖的方法来从两种不同的数据形式中提取特征，并通过一致性约束和互补约束来增强两种不同数据形式下的特征融合。DVL-CC包含基于SMILES序列的序列特征编码器、分子图结构编码器、一致性约束、互补约束以及共晶预测器（图2）。DVL-CC模型在多个数据集上的测试结果表明，它在预测准确性和解释性方面均优于其他先进方法，为药物发现和候选物的筛选提供了新的工具。

图2 DVL-CC模型框架

3. 可解释性分析

可解释性分析部分对DVL-CC模型进行了深入的可解释性评估。本研究通过分析模型识别的关键化合物特征，并将这些特征与已知的共晶形成机理和数据库进行比对，来验证模型的预测准确性。分析结果表明，DVL-CC模型不仅能够准确预测共晶形成的可能性，还能够清晰地指出哪些化学结构特征是驱动共晶形成的具体原因（图3）。此外，模型还能揭示出分子间相互作用的关键区域和机制，例如氢键供体与受体的匹配情况，以及分子间π-π堆积的潜力，从而进一步加深了对共晶形成机理的理解。这项分析为DVL-CC模型的解释能力提供了有力的证据，并为未来的共晶设计和优化提供了科学依据。

图3关键结构对共晶形成影响的分析

（文/图：朱蓓、施建宇；审核：杨慧）