論文の概要: Multimodal AI predicts clinical outcomes of drug combinations from preclinical data

• arxiv url: http://arxiv.org/abs/2503.02781v2
• Date: Wed, 24 Sep 2025 19:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 14:16:55.727977
• Title: Multimodal AI predicts clinical outcomes of drug combinations from preclinical data
• Title（参考訳）: マルチモーダルAIは、前臨床データから薬物併用の臨床結果を予測する
• Authors: Yepeng Huang, Xiaorui Su, Varun Ullanat, Intae Moon, Ivy Liang, Lindsay Clegg, Damilola Olabode, Ruthie Johnson, Nicholas Ho, Megan Gibbs, Megan Gibbs, Alexander Gusev, Bino John, Marinka Zitnik,
• Abstract要約: マドリガル(Madrigal)は、構造、経路、細胞生存性、転写データから学習し、薬物結合効果を予測するマルチモーダルAIモデルである。 Madrigalは、注意ボトルネックモジュールを使用して、前臨床薬のデータモダリティを統一する。 単一モダリティ法や最先端のモデルより優れており、有害な薬物相互作用を予測する。
• 参考スコア（独自算出の注目度）: 38.31103891121078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting clinical outcomes from preclinical data is essential for identifying safe and effective drug combinations, reducing late-stage clinical failures, and accelerating the development of precision therapies. Current AI models rely on structural or target-based features but fail to incorporate the multimodal data necessary for accurate, clinically relevant predictions. Here, we introduce Madrigal, a multimodal AI model that learns from structural, pathway, cell viability, and transcriptomic data to predict drug-combination effects across 953 clinical outcomes and 21,842 compounds, including combinations of approved drugs and novel compounds in development. Madrigal uses an attention bottleneck module to unify preclinical drug data modalities while handling missing data during training and inference, a major challenge in multimodal learning. It outperforms single-modality methods and state-of-the-art models in predicting adverse drug interactions, and ablations show both modality alignment and multimodality are necessary. It captures transporter-mediated interactions and aligns with head-to-head clinical trial differences for neutropenia, anemia, alopecia, and hypoglycemia. In type 2 diabetes and MASH, Madrigal supports polypharmacy decisions and prioritizes resmetirom among safer candidates. Extending to personalization, Madrigal improves patient-level adverse-event prediction in a longitudinal EHR cohort and an independent oncology cohort, and predicts ex vivo efficacy in primary acute myeloid leukemia samples and patient-derived xenograft models. Madrigal links preclinical multimodal readouts to safety risks of drug combinations and offers a generalizable foundation for safer combination design.
• Abstract（参考訳）: 前臨床データから臨床結果を予測することは、安全で効果的な薬物の組み合わせを特定し、後期臨床の失敗を減らし、精密な治療法の開発を加速するために不可欠である。 現在のAIモデルは、構造的またはターゲットベースの機能に依存しているが、正確で臨床的に関係のある予測に必要なマルチモーダルデータを組み込むことができない。 ここでは、構造、経路、細胞生存性、転写データから学習し、953の臨床的結果と21,842の化合物に対する薬物結合効果を予測するマルチモーダルAIモデルであるMadrigalを紹介する。 Madrigalは、マルチモーダル学習における大きな課題である、トレーニングと推論中に欠落したデータを処理しながら、プリクリナルな薬物データモダリティを統一するために、注意ボトルネックモジュールを使用している。 副作用のある薬物相互作用を予測するための単一モダリティ法や最先端モデルよりも優れており、改善はモダリティアライメントとマルチモダリティの両方が必要であることを示している。 トランスポーターを介する相互作用を捉え、ニュートロピー、貧血、アロペシア、低血糖の臨床試験の相違と整合する。 2型糖尿病とMASHでは、マドリガルは多薬局の決定をサポートし、より安全な候補の中で再スメロムを優先する。 パーソナライゼーションの拡張により、Madrigalは、縦型EHRコホートと独立型オンコロジーコホートにおける患者レベルの副作用予測を改善し、原発性急性骨髄性白血病サンプルおよび患者由来のキセノグラフトモデルにおいて生体外効果を予測する。 マドリガルは、プリクリナルなマルチモーダル・リードアウトと薬物の組み合わせの安全性のリスクを結びつけ、より安全な組み合わせ設計のための一般化可能な基盤を提供する。

関連論文リスト

• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• MD-Syn: Synergistic drug combination prediction based on the multidimensional feature fusion method and attention mechanisms [0.0]
  薬物併用療法は、複雑な疾患に対して有望な治療効果を示し、薬剤耐性を低下させる可能性を示している。 薬物の組み合わせの可能性は非常に多いため、従来の実験ではそれらを全てスクリーニングすることは困難である。 本研究では,多次元特徴融合法とマルチヘッドアテンション機構に基づく計算フレームワークMD-Synを提案する。
  論文  参考訳（メタデータ） (2025-01-14T06:50:56Z)
• KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph [0.11049608786515838]
  薬物と薬物の相互作用(DDI)は、身体の損傷や死に至ることがある。 DDIイベントを予測するための現代の研究は、バイオメディカル知識グラフ(KG)または薬物SMILESの情報に依存する。 本研究では,エンドツーエンドの完全自動機械学習パイプラインを生成するために,KG統合トランスフォーマーアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-12-08T00:49:57Z)
• Causal machine learning for predicting treatment outcomes [75.13093479526151]
  Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。 因果MLの主な利点は、個別化された治療効果を推定できることである。
  論文  参考訳（メタデータ） (2024-10-11T12:39:08Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• Enhancing drug and cell line representations via contrastive learning for improved anti-cancer drug prioritization [0.7070726553564699]
  本稿では,学習薬物や細胞株の表現を改善するために,対照的な学習法を提案する。 我々の学習した表現は、予測を行う際、薬物および細胞由来の特徴によりバランスがとれることが分かりました。
  論文  参考訳（メタデータ） (2023-10-20T04:18:47Z)
• Drug Interaction Vectors Neural Network: DrIVeNN [0.7624669864625037]
  ポリファーマシー(英: Poly Pharmacy)とは、複数の薬物を同時に併用して単一の疾患を治療することである。 ポリファーマシーに関連する多くの重篤なADEは、薬物の使用後にのみ知られるようになる。 臨床試験において、あらゆる可能な薬物の組み合わせをテストすることは不可能である。
  論文  参考訳（メタデータ） (2023-08-26T14:24:41Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology [0.0]
  現在の戦略はモデルインフォームドドッキングテーブルで構成されている。 ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。 これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
  論文  参考訳（メタデータ） (2020-06-01T16:38:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。