В статье представлено систематическое исследование влияния предобученных языковых моделей белков (PLM) на задачу прогнозирования аффинности связывания лекарств с белками-мишенями (DTA). Авторы интегрировали четыре семейства PLM в архитектуру PLM-GraphDTA, каждая из которых основана на различных архитектурах и оптимизирована для разных задач: предсказание структуры, предсказание функций и маскирование последовательностей. Для сравнения также оценивалась модификация классического метода сверток — DeepGraphDTA, улучшающая представление белков. Модели тестировались на двух бенчмарк-датасетах (Davis и KIBA) с использованием индекса конкордантности (CI) и среднеквадратичной ошибки (MSE). Дополнительно оценивалась способность моделей к обобщению на новых белках с помощью cold-start разбиений и анализировался вклад каждого белка в общий CI. Результаты показали, что простые архитектурные модификации традиционных сверточных методов могут сократить разрыв с крупными предобученными PLM, что имеет практическое значение для ускорения открытия лекарств и снижения затрат на разработку.