开云彩票官方网站 登录入口

近日，清华大学姚权铭副纯属团队建议了一套全新的药物相互作用预计步伐——CBR-DDI 框架。这项斟酌初次把临床大夫常用的“参考过往病例”（CBR，Case-Based Reasoning）步伐引入到诳言语模子（LLM，Large Language Model）中，权臣普及了药物相互作用预计的准确性和可解说性。实验标明，CBR-DDI 框架概况让模子在两个主流数据集上的准确率平均普及 28.7%，高出了诳言语模子和 CBR 基线。

日前，权衡论文以《案例推理可普及诳言语模子在药物相互作用预计中的才调》(Case-Based Resoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction) 为题发表在预印本网站arXiv[1]。

药物相互作用（DDI，Drug–Drug Interaction）是指两种或多种药物共同使用时，可能产生的疗效增强、反作用增多甚而危急反馈。准确预计 DDI 对医疗安全至关蹙迫：它能匡助大夫幸免处方突破，也能在新药研发时提前识别潜在风险，从而检朴多半的临床磨砺资本。

但 DDI 的预计极具挑战性。药物之间可能通过代谢酶竞争等复杂机制产生相互作用，尤其关于新药物而言，由于坚苦历史数据，预计更为困难。天然连年来诳言语模子在生物医药领域展现了后劲，但径直用于 DDI 预计时仍面对难题：启程点是坚苦可解说性，模子不错给出预计，却无法给出潜在药理机制，使得其可靠性大打扣头；其次是泛化才调不及，对新药物坚苦先验学问，难以搬动到未知场景。

该斟酌的灵感来自临床实行。在履行中，大夫在面对复杂病情时，时时会查阅相同的历史病例，并聚合其中的治愈教学来猜想新的方案。CBR-DDI 恰是把这种东说念主类教学搬动的念念路引入诳言语模子当中。

其中枢假想是确立一个“案例学问库”，将历史药物对的交互机制系统化存储，然后在预计新药物时，通过检索和比对，让模子概况参考夙昔的案例。病例库中的每个药物对齐包含药物形容、药物关联、相互作用机制以及相互作用类型。其中，药物形容以特殊潜在可能的相互作用机制由 LLM 生成，药物关联信息由图神经网络由图神经网络（GNN，Graph Neural Network）模块从学问图谱中（KGs，biomedical knowledge graph）索取的结构化学问。

CBR-DDI 的框架也诈骗了换取的步伐，启程点通过诳言语模子生成药物功能形容，并同期用 GNN 捕捉药物在学问图谱中的结构关连。搀和检索战术将语义相同度与结构相同度相聚合，从病例库中找到最接近的历史案例。这些病例与药物的结构关连共同构形成“双层学问教导”，带领大模子输出预计截至。为幸免病例库无穷扩大，团队还引入了代表性抽样战术，去除冗余样本，仅保留最具代表性的机制案例，从而兼顾截至与笼罩度。

团队在两个主流数据集——DrugBankTWOSIDES上对 CBR-DDI 进行了系统考证。截至显现在触及新药物预计的任务中，CBR-DDI 的推崇全面最初，与现存的 Naive-CBR 步伐比较，准确率普及了 28.7%。值得扫视标是，即便和谐较小模子（如 Llama-3.1-8B），也能杰出很多先进神经网络步伐。而在大型模子（如 Llama-3.1-70B、DeepSeek-V3）的加捏下，CBR-DDI 达到了当今该领域的最好收成。

斟酌团队在消融实验平分析了 CBR-DDI 框架中各个模块的作用。在“双层学问增强教导”中去掉病例机制信息和药物关联信息两者其之一会导致性能着落，短缺病例机制的影响更为瓦解，阐述病例推理起了蹙迫作用。团队还通过调度语义相同度与结构相同度的权重评估搀和检索战术，发现当两者保捏均衡时，检索到的病例最为权衡，模子预计也最准确。而对代表性抽样战术的实验标明，该步伐可将病例库边界压缩高出 90%，但同期保捏预计性能。

在斟酌团队提供的一个示例中，模子不错检索到与 Rifabutin 与 Zopiclone 相同的药物交互机制，并由此猜想出 Rifabutin 可能通过开辟CYP2C9 和 CYP3A4 酶，加快 Zopiclone 的代谢。这阐述 CBR-DDI 不错通过整合历史医药案例，给出以药物作用机制为基础的逻辑推理，并得回了准确可靠的截至。

当今，该预计模子还有一定局限性，即病例库以及预计只依靠翰墨信息，而莫得分子结构等数据。畴昔，团队计较进一步扩张病例库的信息，引入分子结构数据，匡助提供更准确的预计，同期为案例库中 LLM 生成的本色假想自动化的校验步伐，为每个案例提供愈加准确、真切的药理学解说。

参考贵寓：

1.https://arxiv.org/pdf/2505.23034

2.Y. Wang, Z. Yang, Q. Yao. Accurate and Interpretable Drug-drug Interaction Prediction Enabled by Knowledge Subgraph Learning.Communications Medicine.2024

3.H. Du, Q. Yao, J. Zhang, Y. Liu, Z. Wang. Customized Subgraph Selection and Encoding for Drug-drug Interaction Prediction. Annual Conference on Neural Information Processing Systems (NeurIPS). 2024

4.Z Shen, M Zhou, Y Zhang, Q Yao. Benchmarking graph learning for drug-drug interaction prediction.Arxiv. 2024.

5.Y. Zhang, Q. Yao, L. Yue, X. Wu, Z. Zhang, Z. Lin, Y. Zheng. Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network.Nature Computational Science. 2023.