提出了一种新的基于注意力的模型,即药物-靶标亲和力的变压器编码器和指纹组合预测方法来预测键合和非键合药物-靶标相互作用的结合亲和力。为了处理如此复杂的问题,我们分别对蛋白质和药物分子使用了不同的表示。具体来说,通过使用非键合蛋白质-配体相互作用的数据集训练我们的模型来构建初始框架。对于广泛使用的数据集 Davis,本研究的另一个贡献是我们提供了一个手动校正的 Davis 数据库。随后在 CovalentInDB 数据库中的较小共价相互作用数据集上对该模型进行了微调,以优化性能。结果表明,与单独使用 BindingDB 数据相比,现有方法有了显着改进,预测非共价结合亲和力平均提高了 7.6%,预测共价结合亲和力平均提高了 62.9%。最后,通过案例研究研究了我们的模型识别活动悬崖的潜在能力。预测结果表明,我们的模型对于区分因化合物结构的微小变化而产生的结合亲和力的差异很敏感。