약물-표적 친화도(DTA)의 정확한 예측은 실험 비용 절감과 전산 약물 개발 초기 스크리닝 가속화에 중요합니다. 본 논문에서는 시퀀스 기반 딥러닝 방법이 글로벌 시퀀스 의미론적 특징과 약물 및 단백질 내 로컬 토폴로지 구조적 특징을 동시 모델링하지 않고, 약물을 원자 수준, 하부 구조 수준, 분자 수준의 다중 스케일 특징 없이 평면 시퀀스로 표현하는 점을 지적합니다. 이에 따라, HiF-DTA라는 계층적 네트워크를 제안합니다. HiF-DTA는 듀얼 경로 전략을 채택하여 약물 및 단백질 시퀀스에서 글로벌 시퀀스 의미론적 및 로컬 토폴로지 특징을 모두 추출하고, 원자, 하부 구조 및 분자 표현을 학습하기 위해 다중 스케일로 약물을 모델링하며, 다중 스케일 쌍선형 어텐션 모듈을 통해 융합합니다. Davis, KIBA, Metz 데이터 세트에 대한 실험 결과는 HiF-DTA가 최첨단 기준선을 능가함을 보여주며, 제거 연구를 통해 글로벌-로컬 추출 및 다중 스케일 융합의 중요성을 확인했습니다.
