딥러닝 기술을 활용한 약물-표적 상호작용 예측 모델링의 발전과, 그래프 신경망(GNN) 및 Transformer 기반 모델의 뛰어난 성능에도 불구하고, 하이퍼파라미터 설정 및 데이터셋의 차이로 인한 알고리즘 발전의 제약이 있음을 지적한다. 이를 해결하기 위해, 저자들은 GNN 기반 및 Transformer 기반 구조 학습 알고리즘을 통합하여 약물-표적 상호작용 모델링에 대한 포괄적인 연구와 벤치마킹을 수행했다. 분자 특성화를 위한 다양한 기법과 두 가지 인코딩 전략(명시적, 암시적)을 거시적으로 비교하고, 6개의 데이터셋에 걸쳐 통합된 모든 모델을 미시적으로 비교하여 효과와 효율성을 벤치마킹했다. 개별적으로 최적화된 설정을 통해 모델 성능을 공정하게 평가했으며, 벤치마킹 연구를 통해 모델 조합을 설계하여 다양한 데이터셋에서 새로운 최고 성능을 달성했다.
