論文の概要: RAG-based Architectures for Drug Side Effect Retrieval in LLMs

• arxiv url: http://arxiv.org/abs/2507.13822v1
• Date: Fri, 18 Jul 2025 11:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-21 20:43:26.265106
• Title: RAG-based Architectures for Drug Side Effect Retrieval in LLMs
• Title（参考訳）: LLMにおける薬物副作用検索のためのRAGに基づくアーキテクチャ
• Authors: Shad Nygren, Pinar Avci, Andre Daniels, Reza Rassol, Afshin Beheshti, Diego Galeano,
• Abstract要約: 大きな言語モデル(LLM)は、有望な対話インターフェースを提供するが、その固有の制限は、薬品の移動のような専門分野における信頼性を妨げている。 本稿では,Llama 3 8B言語モデルに薬物副作用の包括的知識を組み込んだ検索型RAG(Retrieval-Augmented Generation)とグラフRAG(GraphRAG)の2つのアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug side effects are a major global health concern, necessitating advanced methods for their accurate detection and analysis. While Large Language Models (LLMs) offer promising conversational interfaces, their inherent limitations, including reliance on black-box training data, susceptibility to hallucinations, and lack of domain-specific knowledge, hinder their reliability in specialized fields like pharmacovigilance. To address this gap, we propose two architectures: Retrieval-Augmented Generation (RAG) and GraphRAG, which integrate comprehensive drug side effect knowledge into a Llama 3 8B language model. Through extensive evaluations on 19,520 drug side effect associations (covering 976 drugs and 3,851 side effect terms), our results demonstrate that GraphRAG achieves near-perfect accuracy in drug side effect retrieval. This framework offers a highly accurate and scalable solution, signifying a significant advancement in leveraging LLMs for critical pharmacovigilance applications.
• Abstract（参考訳）: 薬物副作用は、その正確な検出と分析のために高度な方法を必要とする、世界的な健康上の問題である。 LLM(Large Language Models)は有望な対話インターフェースを提供する一方で、ブラックボックスのトレーニングデータへの依存、幻覚への感受性、ドメイン固有の知識の欠如など、その固有の制限は、薬品移動のような専門分野における信頼性を妨げている。 このギャップに対処するために,Llama 3 8B言語モデルに薬物副作用の包括的知識を統合した検索型拡張生成(RAG)とグラフRAGの2つのアーキテクチャを提案する。 19,520件の薬物副作用関連因子(薬物976件,副作用3,851件)を広範囲に評価した結果,GraphRAGは薬物副作用検索においてほぼ完全であることが示された。 このフレームワークは、非常に正確でスケーラブルなソリューションを提供し、重要な薬物移動用途にLLMを活用するための大きな進歩を示している。

関連論文リスト

• DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search [11.63163695551736]
  DrugMCTSは、RAG、マルチエージェントコラボレーション、薬物再資源のためのMonte Carlo Tree Searchを統合する新しいフレームワークである。 DrugMCTSはQwen2.5-7B-InstructでDeepseek-R1を20%以上上回る性能を発揮する。 本結果は,構造化推論,エージェントによる協調,フィードバックによる探索機構の重要性を強調した。
  論文  参考訳（メタデータ） (2025-07-10T04:39:55Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• Hyper-RAG: Combating LLM Hallucinations using Hypergraph-Driven Retrieval-Augmented Generation [29.89840262866779]
  大規模言語モデル(LLM)は、コンテンツ生成と意思決定のプロセスを強化することで、教育、金融、医療など様々な分野を変革してきた。 しかし、それらの医療分野への統合は幻覚のため慎重であり、生成したコンテンツが事実の正確性から逸脱し、有害な結果をもたらす可能性がある。 本稿では,ハイパーグラフ駆動型Retrieval-Augmented Generation法であるHyper-RAGを紹介する。
  論文  参考訳（メタデータ） (2025-03-30T12:39:14Z)
• GraPPI: A Retrieve-Divide-Solve GraphRAG Framework for Large-scale Protein-protein Interaction Exploration [13.390039857939168]
  大規模言語モデル (LLM) と検索補助生成 (RAG) フレームワークは、薬物発見を加速している。 GraPPIは大規模知識グラフ(KG)ベースの検索分割型エージェントパイプラインRAGフレームワークであり、大規模PPI信号経路探索をサポートする。
  論文  参考訳（メタデータ） (2025-01-24T18:16:53Z)
• 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)
• Understand What LLM Needs: Dual Preference Alignment for Retrieval-Augmented Generation [64.7982176398485]
  Retrieval-augmented Generation (RAG)は、大規模言語モデル(LLM)の幻覚化問題を緩和する効果を実証している。 本稿では,RAGシステム内での多様な知識嗜好の整合を図った汎用フレームワークであるDPA-RAGを提案する。
  論文  参考訳（メタデータ） (2024-06-26T18:26:53Z)
• 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)
• CIDGMed: Causal Inference-Driven Medication Recommendation with Enhanced Dual-Granularity Learning [10.60553153370577]
  医薬推奨は、患者の長期医療記録を統合し、正確で安全な薬品の組み合わせを提供することを目的としている。 既存の方法では、疾患や引き金や薬物の真の因果関係を深く探ることができないことが多い。 因果推論駆動型デュアルグラニュラリティメディケーション勧告法(CIDGMed)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T08:50:27Z)
• 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)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)

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。