AI驱动的药物-靶点相互作用预测：从数据表示到模型设计的系统综述

综述将DTI预测的演进脉络定位为从对接、基于相似性的推断和手工特征，转向数据驱动的表示学习与交互建模。 相对以往聚焦单一方法族的梳理，本文把这一转变与生物医学数据增长和AI进展联系起来，作为组织全篇的主线。 属于综述性论断，基于对领域发展方向的归纳，文中未给出定量比较。

综述把经典分子结合理论（锁钥模型、诱导契合、构象选择）纳入方法讨论的起点，强调从静态匹配到动态交互的过渡。 将机制层面的结合理论与计算建模方法并置，为理解模型设计动机提供概念基础。 概念性梳理，引用的是经典理论框架而非新实验数据。

综述归纳了DTI的主要任务设定：二元相互作用分类、结合亲和力回归，以及带不确定性评估的多任务预测。 把不确定性评估与多任务预测并列为任务设定的一部分，扩展了传统只区分分类与回归的划分。 任务分类学层面的总结，未报告具体基准数值。

综述按输入表示、编码器架构、交互建模机制、表示学习与预训练、学习目标、预测输出、数据获取或优化策略、泛化设定等正交维度对代表性方法进行比较。 提供多维度对照框架，便于跨方法族比较，而非按时间或单一技术路线罗列。 比较框架来自对代表性方法的归纳，文中未提供统一实验下的横向评测。

本文定位为系统性参考，适用于希望从整体上理解AI驱动DTI预测的方法版图、任务设定与表示选择的读者，包括算法设计者、机制研究者与药物发现从业者；其组织方式围绕结合理论、任务设定、数据与表示、模型设计维度、应用与挑战展开，适合作为进入该方向或规划研究路线的起点。

本次读取为摘要层面的快速解析，未包含正文中的图表、方法细节与参考文献列表，因此无法呈现各代表性方法的具体性能对比、数据集规模或实验设置；读者若需据此做方法选型，仍需查阅原文的图表与所引文献。此外，文中提到的数据分布偏移、蛋白构象动态变化与实验验证不足等挑战，其具体表现与应对方式也有待结合原文进一步确认。