药物的发现往往依赖于对蛋白配体结合亲合性的成功预测。近年来，图神经网络(GNNs)通过学习蛋白质-配体配合物的表示来实现更好的亲合性预测具有广阔的应用前景。然而，现有的解决方案通常将蛋白质-配体配合物作为拓扑图数据处理，因此没有充分利用生物分子的结构信息。在GNN模型中也忽略了原子间基本的远距离相互作用。为此，我们提出了一种结构感知的交互式图神经网络(SIGN)，它由两部分组成: 极性启发图注意力层(PGAL)和成对交互池(PiPool)。PGAL迭代执行节点边缘聚合过程，更新节点和边缘的嵌入，同时保留原子之间的距离和角度信息。然后，采用PiPool方法收集交互边，并进行后续的重构损失，以反映全局交互。在两个基准上进行了详尽的实验研究，验证了SIGN算法的优越性。

https://www.zhuanzhi.ai/paper/92285a151920031182e24c0fced612de