Abstract Drug–target interactions is essential for advancing pharmaceuticals. Traditional drug–target interaction studies rely on labor-intensive laboratory techniques. Still, recent advancements in computing power have elevated the importance of deep learning methods, offering faster, more precise, and cost-effective screening and prediction. Nonetheless, general deep learning methods often yield low-confidence results due to the complex nature of drugs and proteins, bias, limited labeled data, and feature extraction challenges. To address these challenges, a novel two-stage pre-trained framework is proposed for drug–target interactions prediction. In the first stage, pre-trained molecule and protein models develop a comprehensive feature representation, enhancing the framework’s ability to handle drug and protein diversity. This also reduces bias, improving prediction accuracy. In the second stage, a transformer with bilinear pooling and a fully connected layer enables predictions based on feature vectors. Comprehensive experiments were conducted using public datasets from DrugBank and Epigenetic-regulators datasets to evaluate the framework’s effectiveness. The results demonstrate that the proposed framework outperforms the state-of-the-art methods regarding accuracy, area under the receiver operating characteristic curve, recall, and area under the precision-recall curve. The code is available at: https://github.com/DHCGroup/MocFormer .

Abstract Background Semi‐supervised learning provides an effective means to address the challenge of insufficient labeled data in medical image segmentation tasks. However, when a semi‐supervised segmentation model is overfitted and exhibits cognitive bias, its performance will deteriorate. Errors stemming from cognitive bias can quickly amplify and become difficult to correct during the training process of neural networks, resulting in the continuous accumulation of erroneous knowledge. Purpose To address the issue of error accumulation, a novel learning strategy is required to enhance the accuracy of medical image segmentation. Methods This paper proposes a semi‐supervised medical image segmentation network based on mutual learning (MLNet) to alleviate the issue of continuous accumulation of erroneous knowledge. The MLNet adopts a teacher‐student network as the backbone framework, training student and teacher networks on labeled data and mutually updating network parameter weights, enabling the two models to learn from each other. Additionally, an image partial exchange algorithm (IPE) as an appropriate perturbation addition method is proposed to reduce the introduction of erroneous information and the disruption to the contextual information of the image. Results In the 10% labeled experiment on the ACDC dataset, our Dice coefficient reached 89.48%, a 9.28% improvement over the baseline model. In the 10% labeled experiment on the BraTS2019 dataset, the proposed method still performs exceptionally well, achieving 84.56%, surpassing other comparative methods. Conclusions Compared with other methods, experimental results demonstrate that our approach achieves optimal performance across all metrics, proving its effectiveness and reliability.

Rheumatoid arthritis (RA) is a common autoimmune joint disease characterized by persistent synovial inflammation and cartilage damage. The current clinical treatments primarily utilize drugs such as triptolide (TP) to address inflammation, yet they are unable to directly repair damaged cartilage. Furthermore, the persistent inflammation often undermines the effectiveness of traditional cartilage repair strategies, preventing them from achieving optimal outcomes. To tackle this challenge, this study successfully developed a drug-loaded polyurethane hydrogel-oriented porous scaffold, designed to address persistent inflammation and facilitate cartilage repair under RA conditions. A drug-loaded hydrogel was formed via solvent-induced polyurethane-gelatin, resulting in the scaffold TP@GSPU. The sea-island micelle structure of TP@GSPU enables efficient loading of TP. The release of TP in the in vivo environment regulates the expression of inflammatory factors in macrophages, thereby improving the inflammatory microenvironment within the joint cavity. Additionally, the gelatin component of the scaffold provides robust support for cartilage regeneration. The efficacy of the TP@GSPU in regulating the inflammatory microenvironment and facilitating cartilage repair under RA conditions, which was demonstrated through cartilage damage repair experiments conducted in a rat collagen-induced arthritis (CIA) model. The design scheme of this material offers a potential approach to cartilage repair in the conditions of RA.