大部分酶和药物活性都需要依赖蛋白质和小分子之间的相互作用，因此，准确预测这些相互作用是推动药物研发和生物技术发展的关键。然而，目前存在的机器学习模型在处理未知蛋白质时，其泛化能力往往受到限制。这可能是由于在数据表示生成过程中，蛋白质与小分子之间的信息交互未能得到充分捕捉。

为了攻克这一难题，德国的研究团队研发了名为ProSmith的机器学习框架。该框架运用多模态Transformer网络，能够同步处理并整合蛋白质的氨基酸序列和小分子的字符串信息。这一方法确保在计算两者的数字化表示时，两类分子间的所有相关信息都能实现充分交互，从而使模型能更精准地考量它们的结构和功能交互。实验结果显示，在预测激酶抑制、推断酶的可能底物等多项任务中，模型都具有较好的预测效果。

来自加拿大的研究团队设计了机器学习模型，可以对纳米药物的治疗效果进行预测，为纳米药物的开发和优化提供了新的方法和思路，有望加速纳米药物的研发进程，提高药物递送的效率和效果。