Tunca Doğan

🚀 Exciting news! Our project, CROssBARv2, is now live as an online tool and its article (preprint)! We've built a unified AI-powered platform that brings together the fragmented world of biomedical data — and lets you talk to it in plain English. Here's the story 👇 The problem, in plain terms: Imagine being a detective, but your clues are scattered across 34 different filing cabinets, written in different languages, with no index. That's what biomedical researchers face every day — genes in one database, drugs in another, diseases somewhere else. Connecting the dots is slow & painful without serious programming skills. CROssBARv2 is our answer to this. 🧬💊🔬 What did we build? CROssBARv2 is a biomedical Knowledge Graph (KG) — think of it as a giant, intelligent map of biology. We integrated data from 34 well-established databases into a single, structured, and searchable system: 🔵 ~2.7 million nodes (proteins, genes, drugs, diseases, pathways, side effects, & more) 🔗 ~12.6 million edges (biomedical relationships) 🧠 14 node & 51 edge types 🏷️ Rich metadata Now the exciting part 🤖 — meet CROssBAR-LLM Large Language Models (LLMs) like ChatGPT or Gemini are brilliant at conversation — but they hallucinate. They confidently tell you things that sound right but aren't. In biomedicine, that's dangerous. Our solution: ground the LLM in the knowledge graph. CROssBAR-LLM lets you ask complex biomedical questions in plain English, like: "What proteins are encoded by genes regulated by NFKB1, participate in the Endocytosis pathway, and are targeted by drugs used to treat diseases comorbid with osteoporosis?" CROssBAR-LLM tutorial: youtu.be/FjuoKAmzjNM What happens under the hood: 🗣️ Your natural language question is translated into a formal DB query ⚡ The query runs on the CROssBARv2 KG in real time 📊 Structured, verified results are retrieved 💬 The LLM turns results into a clear, readable answer No hallucinations. Every answer is traceable back to real data How does it compare to just directly asking LLMs on a biomedical Q&A benchmark? GPT/Claude/Gemini: ~50-65% CROssBAR-LLM (w/ Gemini 1.5 Pro): 98% accuracy 🎯 CROssBAR-LLM (w/ GPT-4o): 97% accuracy 🎯 Everything is open and accessible 🔓 🌐 Web platform: crossbarv2.hubiodatalab.com/ 📡 GraphQL API 🖥️ Neo4j Browser for visualisation 📂 Full data on Hugging Face & Google Drive 💻 All code on GitHub No paywall. No programming required. Just ask your question! Huge thanks to the team! Bünyamin Şen, Erva Ulusoy @ervaulusy , Melih Darcan, Mert Ergun, Sebastian Lobentanzer, Ahmet S. Rifaioğlu @ahmet_rifaioglu , Dénes Türei, Julio Saez Rodriguez @JulioSaezRod , and me, in collaboration with Saez Lab @saezlab spanning Hacettepe University @Hacettepe1967 , Heidelberg University @HeidelbergU , Helmholtz Munich @HelmholtzMunich , and European Bioinformatics Institute | EMBL-EBI @emblebi 📄 Read the preprint: biorxiv.org/content/10.64898… ⚙️Try the tool: crossbarv2.hubiodatalab.com/… ***Please repost!*** #AI #LLM #ML #Bioinformatics #KnowledgeGraph #DrugDiscovery #Biomedicine #OpenScience

Aklınızdaki fikir bir gün patente dönüşebilir mi? 🤔🚀 Sevgili Hacettepe Üniversitesi lisans öğrencileri, bu dönem üniversite seçmeli ders havuzunda tüm bölümlere açık, çok özel yeni bir ders var: 📘 SEC 643: Bilgi Teknolojilerinde Patent Stratejileri (Patent Strategies in Information Technologies) Sağlıktan tarıma, finanstan eğitime her alanda yenilik artık teknolojiyle doğuyor: hastayı uzaktan izleyen akıllı bir cihaz, çiftçiye sulama zamanını haber veren bir sensör, yeni bir öğrenme uygulaması... Peki, bir fikir ne zaman korunabilir bir buluş olur ve ona nasıl değer kazandırılır? Bu ders bu noktalara odaklanıyor. 🧠➡️📜 🔍 Neler öğreneceksiniz? ✅ Fikri mülkiyete giriş: patent, telif hakkı, marka, tasarım ✅ Bilgi teknolojisi temelli buluşlarda patentlenebilirlik ✅ Yenilik ve buluş basamağının değerlendirilmesi ✅ Patent istemi (claim) yazımı ve istem değişikliği stratejileri ✅ Önceki teknik (prior art) analizi ve patent araştırma raporları ✅ İnceleme raporlarına karşı görüş hazırlama ✅ Ulusal ve uluslararası başvuru süreçleri ve stratejileri ✅ Faaliyet serbestisi (freedom-to-operate) analizi ve etik boyutlar 🎯 Dönem sonunda kendi örnek patent başvurunuzu ve stratejik analizinizi hazırlayıp sunacaksınız. 👩‍🏫 Dersi kim veriyor? Dersin sorumlusu Dr. @ CIRAY. 🌟 Türk Patent ve Marka Kurumu'nda (TÜRKPATENT) patent inceleme uzmanı olarak uzun yıllara dayanan deneyime sahip. Dr. Çıray, Avrupa Patent Ofisi'nde (EPO, Münih) ulusal uzman (Seconded National Expert) olarak da çalıştı. ODTÜ Enformatik Enstitüsü'ndeki doktora tezinde ise ilaç onaylarını makine öğrenmesiyle tahmin ederken patent verilerinden yararlandı. Patenti hem inceleyen hem de veri bilimiyle analiz eden birinden öğreneceksiniz 🔥 🗓️ Ders bilgileri 📍 Derslik: Bilişim Enstitüsü Binası, Amfi 2 (Beytepe Kampüsü) ⏰ Zaman: Cuma 09:40-12:30 (3 saat) 🌍 Dersin dili: İngilizce 🎓 3 kredi / 4 AKTS, ön koşul yok, yüz yüze 📌 SEC kodlu ders nedir, nasıl alınır? 🔓 SEC kodlu dersler, Rektörlük Seçmeli Dersler Koordinatörlüğü aracılığıyla tüm bölümlerin lisans öğrencilerine açılır. Mühendislik, fen, sağlık, hukuk, işletme, sosyal bilimler… ⏳ Ekle-Sil Haftası: 30 Eylül - 2 Ekim 2026 ℹ️ Dersin programınızda nasıl sayılacağını danışmanınızla teyit edin. Girişim, Ar-Ge, akademi ya da fikri mülkiyet alanında kariyer düşünüyorsanız, bu ders size bambaşka bir bakış açısı kazandıracak. Fikirlerinizi korumayı öğrenin! 💪✨ Bu fırsatı kaçırmayın. Arkadaşlarınızla paylaşmayı unutmayın! 👋 #HacettepeÜniversitesi #SeçmeliDers #SEC643 #Patent #FikriMülkiyet #Girişimcilik #YapayZeka #Teknoloji @Hacettepe1967

Yapay zeka, siber güvenlik, bilişim teknolojileri ve donanım ve bilgisayar sistemleri alanlarında araştırmacı pozisyonu (doktora ve araştırma görevlisi) başvuruları için son gün!👇

Hacettepe Üniversitesi Bilişim Enstitüsü'nde stratejik teknoloji alanlarına 40 yeni araştırmacı kadrosu! 🚀 Türkiye Stratejik Teknoloji İnsan Kaynağı Programı kapsamında, Hacettepe Üniversitesi Bilişim Enstitüsü'ne toplam 40 araştırmacı kadrosu tahsis edildi. Kadrolar dört stratejik alanda değerlendirilecek: 🤖 Yapay Zekâ ve Akıllı Sistemler 🛡️ Siber Güvenlik 💻 Bilişim Teknolojileri ⚙️ Donanım ve Bilgisayar Sistemleri Program, genç araştırmacılara doktora eğitimlerini bilimsel araştırma ve teknoloji geliştirme çalışmalarıyla birlikte yürütme ve bu süreçte araştırma görevlisi olarak istihdam edilme imkânı sunuyor. Amaç yalnızca yeni araştırmacılar yetiştirmek değil; stratejik teknoloji alanlarında uzmanlaşmayı desteklemek, nitelikli insan kaynağını güçlendirmek ve Türkiye’nin bilim ve teknoloji kapasitesine katkı sağlamak. 🔬 Program kapsamında önümüzdeki 5 yılda 3.000 genç araştırmacının bilim ve teknoloji ekosistemine kazandırılması hedefleniyor. 📈 📌 Hacettepe’ye bu dönem için ayrılan kadro: 40 📅 Son başvuru: 22 Eylül 2026 📝 Sınav tarihi: 28 Kasım 2026 🔗 Başvuru: basvuru.yok.gov.tr/ Hacettepe’de bilimin, teknolojinin ve geleceğin bir parçası olmak isteyen genç araştırmacıları bekliyoruz. 🎓✨ @Hacettepe1967 @Hacettepe_AIDE #HacettepeÜniversitesi #BilişimEnstitüsü #AraştırmaGörevlisi #YapayZeka #SiberGüvenlik #BilişimTeknolojileri #Doktora #Araştırma #Teknoloji #ArGe

Delighted to share that our study "SELFormerMM: Multimodal Molecular Representation Learning via SELFIES, Structure, Text, and Knowledge Graph Integration" has been accepted as a proceedings paper at ECCB 2026 and will be presented orally in Geneva! 🎉 𝗧𝗛𝗘 𝗣𝗥𝗢𝗕𝗟𝗘𝗠 🤔 Before an AI model can predict a drug candidate molecule's toxicity, solubility or blood-brain barrier penetration, it first has to learn what that molecule is. 🔍 Most models see molecules through a single lens: a chemical string or a 2D graph. 🧩 Yet molecules are multimodal: a notation, a structure, a body of textual annotation, and a web of biological interactions. ⚠️ One view leaves most of the signal unused. 𝗛𝗢𝗪 𝗜𝗧 𝗪𝗢𝗥𝗞𝗦 ⚙️ SELFormerMM unifies four complementary modalities in one shared representation space: 🧬 Sequence: SELFIES via our transformer-based SELFormer (100% chemical validity, unlike SMILES) - iopscience.iop.org/article/1… ⚛️ Structure: molecular graph embeddings from Uni-Mol 📖 Text: natural language molecule descriptions encoded with SciBERT 🕸️ Knowledge graph: interaction embeddings from our CROssBARv2 knowledge graph (1.4M nodes, 4.4M relations, 32 sources) - crossbarv2.hubiodatalab.com/ 🔗 Aligned by modality-specific projection networks and a multi-view contrastive objective 🧠 Pretrained self-supervised on ~3M molecules (246M parameters) 🧱 Built to tolerate missing modalities 𝗥𝗘𝗦𝗨𝗟𝗧𝗦 📊 On the MoleculeNet benchmarks, SELFormerMM: 🥇 ranks best overall on SIDER (adverse drug reactions, ROC-AUC 0.749) 🥈 ranks second on BBBP (0.918) 🏆 is the best multimodal model on lipophilicity 📈 improves on binding affinity (PDBbind) and HIV over its unimodal version 𝗪𝗛𝗬 𝗜𝗧 𝗠𝗔𝗧𝗧𝗘𝗥𝗦 💊 Richer, biologically grounded representations mean better candidate prioritisation and a stronger foundation for hypothesis-driven drug discovery. Everything is open 🔓 𝗧𝗛𝗘 𝗧𝗘𝗔𝗠 🙌 ✨ First author Erva Ulusoy @ervaulusy did the heavy lifting here, from implementation to analysis, with excellent contributions from Şevval Bostancı and Bora Engin Deniz on model development and benchmarking. Thank you, all three! 👏 𝗔𝗕𝗢𝗨𝗧 𝗘𝗖𝗖𝗕 𝟮𝟬𝟮𝟲 🇨🇭 Europe's flagship computational biology conference, now in its 25th edition, hosted by the SIB Swiss Institute of Bioinformatics in Geneva (31 Aug to 4 Sep), themed "Biodiversity, AI & Health". 🌐 eccb2026.org/ 📄 Preprint: biorxiv.org/content/10.64898… 📚 Peer-reviewed version coming soon in OUP Bioinformatics 💻 Code: github.com/HUBioDataLab/SELF… 🔬 Lab: hubiodatalab.github.io/ See you in Geneva! 🇨🇭 #ECCB2026 #Bioinformatics #ComputationalBiology #DrugDiscovery #OpenScience

Hacettepe Biyolojik Veri Bilimi Lab'dan haber! 🚨 Havvanur Aydın, "Çizge Sinir Ağları Kullanılarak Protein-Ligand Bağlanma Bölgesi ve Afinite Tahmini" başlıklı tez çalışmasıyla Biyoenformatik Yüksek Lisans derecesini kazandı. 👏👏👏 Jüri üyelerimiz Prof. Dr. Yeşim Aydın Son ve Prof. Dr. Erdem Karabulut'a değerli katkıları için teşekkürler.

Hacettepe Üniversitesi Bilişim Enstitüsü Müdürlüğü görevine başlamış bulunmaktayım. 🎓 Enstitümüzün araştırma ve eğitim vizyonuna katkı sunmayı, güçlü akademik kadromuzla birlikte yeni projelere imza atmayı heyecanla bekliyorum. 🚀 Enstitümüzle iş birliği fikirleri olan akademi ve sektör temsilcilerini bağlantı kurmaya; 📚 bilişim sistemleri, yapay zeka, bilgi güvenliği, bilgisayar grafiği, sağlık bilişimi gibi alanlarımızla ilgilenen ve bu konularda eğitim almak ve araştırma yapmak isteyen adayları ise programlarımızı incelemeye ve başvuruda bulunmaya davet ederim (🔗 bilisim.hacettepe.edu.tr/). @Hacettepe1967 ✦ ✦ ✦ I have taken on the role of Director at the Institute of Informatics, Hacettepe University. 🎓 I look forward to contributing to the institute's research and education vision, and to working alongside our talented faculty on new initiatives ahead. 🚀 I invite colleagues from academia and industry with an interest in collaboration to connect, and encourage those interested in 📚 fields such as information systems, artificial intelligence, information security, computer graphics, and health informatics, who wish to pursue education and research in these areas, to explore our programs and apply (🔗 bilisim.hacettepe.edu.tr/en).

Excited to be joining the ELLIS (European Laboratory for Learning and Intelligent Systems @ELLISforEurope) network as a member! 🎊 🟪 ELLIS (European Laboratory for Learning and Intelligent Systems — ellis.eu/) is Europe's flagship AI research community; a pan-European network of excellence, with the mission to secure lasting international leadership in AI by connecting top researchers and creating a distributed, world-class research infrastructure. 🇪🇺 ELLIS's core mission is dual: ensure the best basic ML/AI research is done in Europe, and translate that research into real economic and societal impact, a direct counter to brain drain and fragmentation in European AI. What makes this particularly meaningful goes beyond the personal: 🇹🇷 Researchers from Türkiye remain underrepresented in major European AI networks despite a growing and increasingly competitive research output. Expanding Türkiye's footprint in networks like ELLIS is something we should be collectively pushing for. 🏛️ On that note, there is also a broader aspiration to establish an ELLIS Türkiye Unit, a formal hub that would bring ELLIS's collaborative infrastructure, PhD programs, and cross-border research opportunities to Türkiye. A goal worth working towards. #ELLIS #ArtificialIntelligence #AI #MachineLearning #AIResearch #HacettepeUniversity #EuropeanAI

ELLIS (Avrupa Öğrenme ve Akıllı Sistemler Laboratuvarı) ağına üye oldum! 🎊 🟪 ELLIS (European Laboratory for Learning and Intelligent Systems @ELLISforEurope — ellis.eu/), Avrupa'nın önde gelen yapay zekâ (YZ) araştırma topluluğu; dünyanın önde gelen YZ araştırmacılarını bir araya getirerek ve dağıtık, dünya standartlarında bir araştırma altyapısı oluşturarak Avrupa'yı yapay zekâ alanında bir lider haline getirmeyi hedefleyen bir mükemmeliyet ağı. 🇪🇺 ELLIS'in misyonu iki ayaklı: Avrupa'da en iyi temel YZ/makine öğrenmesi araştırmalarının yapılmasını sağlamak ve bu araştırmaları gerçek ekonomik ve toplumsal faydaya dönüştürmek. Avrupa'daki beyin göçüne ve araştırma parçalanmışlığına karşı bir hareket. Bu haberi kişisel bir duyurunun ötesinde anlamlı kılan iki nokta var: 🇹🇷 Türkiye'den araştırmacılar, giderek güçlenen araştırma çıktısına karşın Avrupa'nın önde gelen YZ ağlarında hâlâ yeterince temsil edilemiyor. ELLIS gibi ağlarda Türkiye'nin ağırlığını artırmak, hep birlikte sahip çıkmamız gereken bir hedef. 🏛️ Bu bağlamda, bir ELLIS Türkiye Birimi kurulmasına yönelik daha geniş kapsamlı bir hedef de var: ELLIS'in iş birliği altyapısını, doktora programlarını ve sınır ötesi araştırma olanaklarını Türkiye'ye taşıyacak resmi bir yapı. Üzerinde çalışmaya değer bir hedef. #ELLIS #YapayZeka #YZ #AI #MakineÖğrenmesi #AIResearch #HacettepeÜniversitesi #EuropeanAI

🧬 New paper: "MoCL-GAT: Molecular Contrastive Learning with Graph Attention Network for Enhanced Molecular Representation" is out! One of the core bottlenecks in computational drug discovery is the scarcity of labelled experimental data. You can have millions of compounds, but validated bioactivity labels are expensive and rare. This limits how far supervised models can generalise across chemical space. Self-supervised learning (SSL) offers a compelling way out: learn rich molecular representations from unlabeled data first, then fine-tune on small labelled sets. 🔍 Most existing SSL methods capture either local structural patterns or global molecular properties, but rarely both at once. MoCL-GAT closes this gap with a dual-objective framework powered by a Graph Attention Network (GAT): 🟣 A local contrastive objective, contrasting augmented K-hop subgraph views to capture fine-grained atomic environments, functional groups, and pharmacophoric patterns 🟠 A global descriptor prediction objective, regressing over 78 curated RDKit physicochemical descriptors (solubility, lipophilicity, SA score…) to encode holistic molecular behaviour The attention mechanism in GAT proves key here, dynamically weighting atomic neighbours to efficiently serve both learning signals simultaneously. ⚡ Pre-trained on 1.9 million ChEMBL compounds and fine-tuned across diverse MoleculeNet benchmarks, MoCL-GAT achieves strong and competitive results on blood-brain barrier penetration, side effect prediction, solubility, and hydration free energy tasks. Ablation studies confirm that neither objective alone matches the performance of the combined dual approach. The code is implemented in PyTorch + PyTorch Geometric + RDKit, and pre-training runs on a single NVIDIA RTX 3090 in ~16 hours. 💚 A huge congratulations to our first author, Alperen Dalkiran @alprndalkiran, who took ownership of the implementation, experiments, and the heavy lifting of bringing this work to publication, executing with great care and technical depth throughout. Well done, Alperen! 🙌 The full team behind MoCL-GAT: Alperen Dalkiran · Ahmet Süreyya Rifaioğlu · Rengül Çetin-Atalay · Aybar C. Acar · Tunca Doğan · M. Volkan Atalay 📄 Open access @BMC_series BMC Bioinformatics: 👉 link.springer.com/article/10… 🔓 Fully open-source code, pre-trained weights, and datasets are all publicly available on Zenodo: 👉 zenodo.org/records/16927286 #DrugDiscovery #GraphNeuralNetworks #Cheminformatics #MolecularRepresentationLearning #ContrastiveLearning #SelfSupervisedLearning #ComputationalBiology #Bioinformatics

Hacettepe Üniversitesi, Bilgisayar Mühendisliği ve Yapay Zekâ Mühendisliği 2026 yılı Proje Sergisi geçtiğimiz günlerde gerçekleştirildi. Hacettepe Biyolojik Veri Bilimi Laboratuvarı (HUBioDataSciLab) kapsamında projelerini gerçekleştiren 5 grubumuz sunumlarını başarıyla tamamladı. 🎓 Bir yıllık yoğun çalışmanın ürünü olan ve her biri bilimsel ağırlık taşıyan beş proje: 🤖 BioAgents: Multi-Agent Language Model System for Computational Biology Proje ekibi: Mert Ergun & Arya Zeynep Mete Mentor: Atabey Ünlü & Bünyamin Şen 🧬 ContVAR: Contrastive Graph Representation Learning for Protein Variant Function Prediction Proje ekibi: Furkan Dursun, Boran Çakıl, Enes Karaarslan, Caner Ayvaz Mentor: Erva Ulusoy & Bünyamin Şen ⚗️ MIND: Molecular Intelligence for Novel Discovery Proje ekibi: Melih Koç, Arın Dalahmetoğlu, Can Ertaş, Mehmet Ali Toy Mentor: Gökay Yiğit 🧮 MIPLM: Matrix-Informed Protein Language Models Proje ekibi: Kutay Özçepne, Ethem Ates, Görkem Uz Mentor: Gökay Yiğit 🔬 MUCHEM: Multimodal Chemical Language Model Proje ekibi: Furkan Necati INAN, Ayşe Yaren Topgün, Sahra Sarı, Yüksel Çağrı Arslan, Efe Aydınalp Mentor: Bünyamin Şen Tüm çalışmalar yakın zamanda model ağırlıkları ve kod depoları ile birlikte paylaşılacak; ilgili ön baskı (pre-print) makaleleri de duyurulacak. Tüm öğrencilerimizi tebrik ediyor, mezuniyet sonrasında kariyerlerinde şimdiden başarılar diliyorum. 👏 #HacettepeUni #ComputerEngineering #AIEngineering #HUBioDataLab #BiomolecularAI #DrugDiscovery #ProjeSergisi2026 #OpenSource #MachineLearning #ComputationalBiology

Biyoenformatik alanının en köklü bilimsel dergilerinden ve Uluslararası Hesaplamalı Biyoloji Derneği'nin (ISCB) resmi yayın organı olan Bioinformatics'e (Oxford University Press) editor olarak katıldım 🎉 Derginin Dizi Analizi (Sequence Analysis), Veri & Metin Madenciliği (Data & Text Mining) ve Veritabanları & Ontolojiler (Databases & Ontologies) bölümlerinde, özellikle aşağıdaki alanlarda gönderilen makaleleri değerlendireceğim: 🔬 Derin Öğrenme & Temsiller → Temel modeller · Temsil öğrenimi · Üretken YZ 🗂️ Veri & Bilgi → Biyolojik veri entegrasyonu · Bilgi grafları 💊 Uygulamalar → İlaç keşfi · Protein fonksiyon tahmini Bu alanlardaki çalışmalarınızı sabırsızlıkla bekliyorum! 🧬🤖 📋 Dergi yayın Kurulu: academic.oup.com/bioinformat… 📎 Dergi ana sayfası: academic.oup.com/bioinformat… #Biyoenformatik #MakineOgrenmesi #AIforScience #TemelModeller #IlacKesfi #BilgiGraflari #UretkenYZ #HesaplamaliBiyoloji

🎉 Excited to share that I've joined the Editorial Board of Bioinformatics (Oxford University Press @OxfordJournals) as an Associate Editor. Bioinformatics is the flagship journal of computational biology and bioinformatics, and the official journal of the International Society for Computational Biology (ISCB). I'll be handling manuscripts in the journal's Sequence Analysis, Data & Text Mining, and Databases & Ontologies sections, focusing on the AI & machine learning for bioinformatics space — specifically: 🔬 Foundations & Representations → Foundation models · Representation learning · Generative AI 🗂️ Data & Knowledge → Biological data integration · Knowledge graphs 💊 Applications → Drug discovery · Protein function prediction I'm eager to receive your valuable work in these areas — looking forward to engaging with the community's best research! 🧬🤖 📎 Journal: academic.oup.com/bioinformat… 📋 Editorial Board: academic.oup.com/bioinformat… #Bioinformatics #MachineLearning #AIforScience #FoundationModels #DrugDiscovery #KnowledgeGraphs #GenerativeAI #ComputationalBiology #OpenScience

🤖 Excited to announce the publication of DTA-GNN: drug–target affinity prediction with graph neural networks Machine learning-based drug–target affinity (DTA) prediction sits at the heart of computational drug discovery; but there's a silent problem undermining much of the research in this space: data leakage and non-reproducible preprocessing. When training and test sets share molecular scaffolds, models learn to recognize familiar chemical patterns rather than truly generalize to novel compounds. DTA-GNN is our answer to this problem: an end-to-end open-source Python toolkit that automates rigorous, target-specific DTA dataset construction and streamlines GNN-based model training within a single, reproducible framework. Here's what it brings to the table: 🔬 Leakage-aware dataset construction directly from ChEMBL, with scaffold-based ("Cold-Drug") and temporal splitting strategies, plus automated leakage audits that quantify split integrity before any model is trained. 🧠 10 state-of-the-art GNN architectures (GIN, GAT, GraphSAGE, PNA, Transformer, SuperGAT, and more) alongside classical baselines (RF, SVR), all under a unified, configurable training interface. ⚙️ Integrated Bayesian hyperparameter optimization via Weights & Biases, with automatic experiment tracking — no custom logging code needed. 📊 Latent space analysis and interactive visualization — extract learned molecular embeddings and explore chemical space with t-SNE/PCA, color-coded by affinity or dataset split. 💻 Three interfaces: Python API, CLI, and a no-code Gradio Web UI — making the toolkit accessible to medicinal chemists and domain experts without computational backgrounds. The app is live on both Hugging Face Spaces and SciLifeLab Serve. The goal is simple but important: replace the fragmented, ad hoc scripts that currently dominate DTA research with a standardized, transparent pipeline that produces benchmarks you can actually trust and reproduce. Congratulations to the lead author Gökhan Özsarı @gokhan_ozsari (Chalmers University of Technology / METU) and co-authors Ahmet Süreyya Rifaioğlu @ahmet_rifaioglu (Heidelberg University), Aybar C. Acar @aybar_ii (METU), and M. Volkan Atalay (Loyola University Chicago); great team effort across four institutions! 📄 Paper: sciencedirect.com/science/ar… 💻 Code: github.com/gozsari/DTA-GNN 🌐 Web App: huggingface.co/spaces/gozsar… #DrugDiscovery #GraphNeuralNetworks #Cheminformatics #MachineLearning #ComputationalBiology #OpenSource #ReproducibleResearch #AIforScience