寻找生物活性分子的潜在分子靶标（即反向钓靶，Target-Fishing）是现代药物发现中的关键环节，对于表型筛选后续的机制研究、天然产物分析、药物副作用预测以及老药新用都具有不可替代的作用。尽管亲和色谱等实验方法被广泛应用，但其耗时、昂贵且通量较低的局限性日益凸显。随着人工智能的发展，计算靶标预测作为一种高效的替代手段应运而生。然而现有方法往往局限于单一的算法逻辑：基于“相似分子具有相似活性”的配体假设；依赖蛋白质结构的对接评分；基于纯序列的单模态信息。由于药物-靶标相互作用数据的稀疏性以及单一算法的固有偏差，现有的计算工具在预测精度和结果解释性上仍面临巨大挑战，难以满足精准药物研发的需求。近年来，复旦大学药学院王任小团队开发了一种名为COMET（Combined Matrix for Elucidating Targets）的反向钓靶预测算法。该研究构建了一个包含配体相似性评分、基于结构的结合亲和力预测以及分子对接的组合式框架，并通过机器学习算法实现了靶标的高精度排序。日前，该项工作以“COMET: A Machine-Learning Framework Integrating