論文の概要: From Knowledge to Treatment: Large Language Model Assisted Biomedical Concept Representation for Drug Repurposing

• arxiv url: http://arxiv.org/abs/2510.12181v1
• Date: Tue, 14 Oct 2025 06:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.20493
• Title: From Knowledge to Treatment: Large Language Model Assisted Biomedical Concept Representation for Drug Repurposing
• Title（参考訳）: 知識から治療へ:大規模言語モデルによる医薬品購入のためのバイオメディカル概念表現
• Authors: Chengrui Xiang, Tengfei Ma, Xiangzheng Fu, Yiping Liu, Bosheng Song, Xiangxiang Zeng,
• Abstract要約: 既存の方法は、現実世界の研究室で常識的なバイオメディカル概念の知識を見落としている。 LLaDR(Large Language Model-assisted framework for Drug Repurposing)を提案する。 ベンチマークに基づく実験は、LLaDRがさまざまなシナリオで最先端のパフォーマンスを達成することを示した。
• 参考スコア（独自算出の注目度）: 18.010249157176073
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug repurposing plays a critical role in accelerating treatment discovery, especially for complex and rare diseases. Biomedical knowledge graphs (KGs), which encode rich clinical associations, have been widely adopted to support this task. However, existing methods largely overlook common-sense biomedical concept knowledge in real-world labs, such as mechanistic priors indicating that certain drugs are fundamentally incompatible with specific treatments. To address this gap, we propose LLaDR, a Large Language Model-assisted framework for Drug Repurposing, which improves the representation of biomedical concepts within KGs. Specifically, we extract semantically enriched treatment-related textual representations of biomedical entities from large language models (LLMs) and use them to fine-tune knowledge graph embedding (KGE) models. By injecting treatment-relevant knowledge into KGE, LLaDR largely improves the representation of biomedical concepts, enhancing semantic understanding of under-studied or complex indications. Experiments based on benchmarks demonstrate that LLaDR achieves state-of-the-art performance across different scenarios, with case studies on Alzheimer's disease further confirming its robustness and effectiveness. Code is available at https://github.com/xiaomingaaa/LLaDR.
• Abstract（参考訳）: 薬物の精製は、特に複雑で稀な疾患に対する治療発見の促進に重要な役割を果たしている。 医学知識グラフ (KGs) は, この課題を支援するために広く採用されている。 しかし、既存の方法は、特定の薬物が特定の治療法と根本的に相容れないことを示すメカニスティックプリエンスのような、現実世界の研究室における常識的なバイオメディカル概念の知識を概ね見落としている。 このギャップに対処するため, 医薬品再資源化のための大規模言語モデル支援フレームワークであるLLaDRを提案する。 具体的には,大規模言語モデル(LLM)からバイオメディカルエンティティのセマンティックな処理関連テキスト表現を抽出し,それをKGEモデルに応用する。 治療関連知識をKGEに注入することで、LLaDRはバイオメディカルな概念の表現を大幅に改善し、未研究または複雑な指標のセマンティックな理解を深める。 ベンチマークに基づく実験により、LLaDRは様々なシナリオで最先端のパフォーマンスを達成し、アルツハイマー病のケーススタディにより、その堅牢性と効果がさらに確認された。 コードはhttps://github.com/xiaomingaaa/LLaDRで入手できる。

関連論文リスト

• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Unified Representation of Genomic and Biomedical Concepts through Multi-Task, Multi-Source Contrastive Learning [45.6771125432388]
  言語モデル(genEREL)を用いたジェノミクス表現について紹介する。 GENERELは遺伝学と生物医学の知識基盤を橋渡しするために設計されたフレームワークである。 本実験は,SNPと臨床概念のニュアンス関係を効果的に把握するgenERELの能力を実証するものである。
  論文  参考訳（メタデータ） (2024-10-14T04:19:52Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Diversifying Knowledge Enhancement of Biomedical Language Models using Adapter Modules and Knowledge Graphs [54.223394825528665]
  我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。 バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。 計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
  論文  参考訳（メタデータ） (2023-12-21T14:26:57Z)
• Exploring the In-context Learning Ability of Large Language Model for Biomedical Concept Linking [4.8882241537236455]
  本研究では,生物医学的概念リンクのための大規模モデルのコンテキスト内学習機能を活用する手法について検討する。 提案手法は2段階のレトリーブ・アンド・ランク・フレームワークを採用する。 BC5CDRの病体正規化では90.%、化学体正規化では94.7%の精度を達成した。
  論文  参考訳（メタデータ） (2023-07-03T16:19:50Z)
• BERT Based Clinical Knowledge Extraction for Biomedical Knowledge Graph Construction and Analysis [0.4893345190925178]
  本稿では,バイオメディカル臨床ノートからの知識抽出と分析のためのエンドツーエンドアプローチを提案する。 提案フレームワークは, 関連構造化情報を高精度に抽出できる。
  論文  参考訳（メタデータ） (2023-04-21T14:45:33Z)
• HiPrompt: Few-Shot Biomedical Knowledge Fusion via Hierarchy-Oriented Prompting [33.1455954220194]
  HiPromptは、監督効率の良い知識融合フレームワークである。 階層指向のプロンプトを通じて、大規模言語モデルの数発の推論能力を引き出す。 収集したKG-Hi-BKFベンチマークデータセットの実験的結果は、HiPromptの有効性を示している。
  論文  参考訳（メタデータ） (2023-04-12T16:54:26Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)

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。