論文の概要: Case-Based Reasoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction

• arxiv url: http://arxiv.org/abs/2505.23034v1
• Date: Thu, 29 May 2025 03:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.646731
• Title: Case-Based Reasoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction
• Title（参考訳）: 薬物・薬物相互作用におけるLLMの予測力を高めるケースベース推論
• Authors: Guangyi Liu, Yongqi Zhang, Xunyuan Liu, Quanming Yao,
• Abstract要約: CBR-DDIは、歴史的事例から薬理学の原則を抽出し、DDIタスクを改善する新しい枠組みである。 CBR-DDIは、LLMを利用して薬理学的洞察とグラフニューラルネットワーク(GNN)を抽出し、薬物関連をモデル化する知識リポジトリを構築している。 大規模な実験により、CBR-DDIは最先端のパフォーマンスを実現し、精度は28.7%向上した。
• 参考スコア（独自算出の注目度）: 34.63988064222427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug-drug interaction (DDI) prediction is critical for treatment safety. While large language models (LLMs) show promise in pharmaceutical tasks, their effectiveness in DDI prediction remains challenging. Inspired by the well-established clinical practice where physicians routinely reference similar historical cases to guide their decisions through case-based reasoning (CBR), we propose CBR-DDI, a novel framework that distills pharmacological principles from historical cases to improve LLM reasoning for DDI tasks. CBR-DDI constructs a knowledge repository by leveraging LLMs to extract pharmacological insights and graph neural networks (GNNs) to model drug associations. A hybrid retrieval mechanism and dual-layer knowledge-enhanced prompting allow LLMs to effectively retrieve and reuse relevant cases. We further introduce a representative sampling strategy for dynamic case refinement. Extensive experiments demonstrate that CBR-DDI achieves state-of-the-art performance, with a significant 28.7% accuracy improvement over both popular LLMs and CBR baseline, while maintaining high interpretability and flexibility.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)の予測は治療の安全性に重要である。 大規模言語モデル(LLM)は医薬品の課題において有望であるが、DDI予測の有効性は依然として困難である。 医師がケースベース推論 (CBR) を通じて意思決定を導くために, 同様の歴史的事例を日常的に参照する, 確立された臨床実践に着想を得て, 歴史的事例から薬理学の原則を抽出し, DDIタスクのLCM推論を改善する新しい枠組みであるCBR-DDIを提案する。 CBR-DDIは、LLMを利用して薬理学的洞察とグラフニューラルネットワーク(GNN)を抽出し、薬物関連をモデル化する知識リポジトリを構築している。 ハイブリッド検索機構と二重層知識強化プロンプトにより、LLMは関連するケースを効果的に回収し再利用することができる。 さらに、動的ケースリファインメントのための代表的サンプリング戦略を導入する。 CBR-DDIは、高い解釈性と柔軟性を維持しながら、一般的なLLMとCBRベースラインの両方に対して28.7%の精度向上を実現している。

関連論文リスト

• LLMs for Drug-Drug Interaction Prediction: A Comprehensive Comparison [3.2627279988912194]
  大規模言語モデル (LLM) は様々な領域に革命をもたらしたが、薬学研究におけるその可能性はほとんど解明されていない。 本研究は薬物と薬物の相互作用(DDI)を予測するLLMの機能について徹底的に研究する。 プロプライエタリモデル(GPT-4, Claude, Gemini)やオープンソースモデル(1.5Bから72Bパラメータ)を含む18種類のLCMを評価した。 微調整のLLMは優れた性能を示し、Phi-3.5 2.7BはDDI予測において0.978の感度を達成し、バランスの取れたデータセットでは0.919の精度を実現した。
  論文  参考訳（メタデータ） (2025-02-09T09:58:12Z)
• Rx Strategist: Prescription Verification using LLM Agents System [0.0]
  Rx Strategistは、知識グラフと異なる検索戦略を使用して、エージェントフレームワーク内のLarge Language Models(LLM)のパワーを強化する。 この多面的手法により、カスタム構築のアクティブ成分データベースから多段階のLCMパイプラインと信頼できる情報検索が可能になる。 以上の結果から,Rx Strategist が多くの LLM を上回り,高度臨床薬剤師に匹敵する成績を示した。
  論文  参考訳（メタデータ） (2024-09-05T11:42:26Z)
• RGDA-DDI: Residual graph attention network and dual-attention based framework for drug-drug interaction prediction [4.044376666671973]
  薬物・薬物相互作用予測のための残留グラフ注意ネットワーク(Residual-GAT)とデュアルアテンションベースのフレームワークであるRGDA-DDIを提案する。 一連の評価指標は、RGDA-DDIが2つの公開ベンチマークデータセット上でのDDI予測性能を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2024-08-27T17:13:56Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Zero-shot Learning of Drug Response Prediction for Preclinical Drug Screening [38.94493676651818]
  ゼロショット学習ソリューションを提案する。 予防的薬物スクリーニングの課題です 具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
  論文  参考訳（メタデータ） (2023-10-05T05:55:41Z)
• 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)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)

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。