論文の概要: DREaM: Drug-Drug Relation Extraction via Transfer Learning Method
- arxiv url: http://arxiv.org/abs/2510.23189v1
- Date: Mon, 27 Oct 2025 10:27:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.521592
- Title: DREaM: Drug-Drug Relation Extraction via Transfer Learning Method
- Title（参考訳）: DREaM:トランスファーラーニング法によるドラッグ・ドラッグ関係抽出
- Authors: Ali Fata, Hossein Rahmani, Parinaz Soltanzadeh, Amirhossein Derakhshan, Behrouz Minaei Bidgoli,
- Abstract要約: DREAMは、まず、トレーニングされた関係抽出モデルを用いて、エンティティ間の関係を探索する手法である。
抽出された関係は、その後、大きな言語モデルを用いて検証される。
我々の質的分析は、このアプローチが医療領域のあいまいさを明らかにすることができることを示している。
- 参考スコア（独自算出の注目度）: 12.05102643799087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Relation extraction between drugs plays a crucial role in identifying drug drug interactions and predicting side effects. The advancement of machine learning methods in relation extraction, along with the development of large medical text databases, has enabled the low cost extraction of such relations compared to other approaches that typically require expert knowledge. However, to the best of our knowledge, there are limited datasets specifically designed for drug drug relation extraction currently available. Therefore, employing transfer learning becomes necessary to apply machine learning methods in this domain. In this study, we propose DREAM, a method that first employs a trained relation extraction model to discover relations between entities and then applies this model to a corpus of medical texts to construct an ontology of drug relationships. The extracted relations are subsequently validated using a large language model. Quantitative results indicate that the LLM agreed with 71 of the relations extracted from a subset of PubMed abstracts. Furthermore, our qualitative analysis indicates that this approach can uncover ambiguities in the medical domain, highlighting the challenges inherent in relation extraction in this field.
- Abstract（参考訳）: 薬物間の関係抽出は薬物相互作用の同定と副作用の予測に重要な役割を果たしている。
大規模医療用テキストデータベースの開発とともに,関係抽出における機械学習手法の進歩により,専門家の知識を必要とする他の手法と比較して,そのような関係抽出の低コスト化が可能となった。
しかし、我々の知る限り、現在入手可能な薬物関係抽出のために特別に設計されたデータセットは限られている。
したがって、この領域に機械学習を適用するためには、トランスファーラーニングを利用する必要がある。
本研究では、まず、トレーニングされた関係抽出モデルを用いてエンティティ間の関係を探索し、そのモデルを医療用テキストのコーパスに適用し、薬物関係のオントロジーを構築する手法であるDREAMを提案する。
抽出された関係は、その後、大きな言語モデルを用いて検証される。
定量的結果から, LLMはPubMed抽象のサブセットから抽出した関係の71と一致していた。
さらに,本手法は医学領域におけるあいまいさを解明し,関係抽出に固有の課題を浮き彫りにする。
関連論文リスト
- The Joint Entity-Relation Extraction Model Based on Span and Interactive Fusion Representation for Chinese Medical Texts with Complex Semantics [2.3873713384588378]
共同エンティティ関係抽出は、非構造化テキストや半構造化テキストを三重項に変換する上で重要なタスクである。
医療用テキストの複雑さを捉えるために設計された,中国の薬物・薬物相互作用データセットCH-DDIを紹介する。
複雑な文脈意味情報の抽出を容易にするSEAモジュールを提案する。
論文 参考訳（メタデータ） (2025-02-13T12:03:36Z) - SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction
and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。
特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。
私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文 参考訳（メタデータ） (2023-06-19T17:03:46Z) - 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) - Integrating Heterogeneous Domain Information into Relation Extraction: A
Case Study on Drug-Drug Interaction Extraction [1.0152838128195465]
この論文は、文献からの薬物と薬物の相互作用(DDI)をケーススタディとして扱う。
深部神経関係抽出モデルを作成し、その注意機構を解析する。
異種情報をさらに活用するために、タンパク質エントリ、医療用語、経路などの薬物関連項目を収集する。
論文 参考訳（メタデータ） (2022-12-21T01:26:07Z) - Scientific and Technological Text Knowledge Extraction Method of based
on Word Mixing and GRU [25.00844482891488]
知識抽出タスクは 構造化されていないテキストデータから 3つの関係を抽出する。
ピペリン」とは、名前付きエンティティ認識とエンティティ関係抽出を分離する手法である。
結合抽出(Joint extract)とは、ニューラルネットワークによって実装され、エンティティ認識と関係抽出を実現するためのエンド・ツー・エンドモデルである。
論文 参考訳（メタデータ） (2022-03-31T14:52:35Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z) - SAIS: Supervising and Augmenting Intermediate Steps for Document-Level
Relation Extraction [51.27558374091491]
本稿では,関係抽出のための中間ステップ(SAIS)を監督し,拡張することにより,関連コンテキストやエンティティタイプをキャプチャするモデルを明示的に教えることを提案する。
そこで本提案手法は,より効果的な管理を行うため,より優れた品質の関係を抽出するだけでなく,それに対応する証拠をより正確に抽出する。
論文 参考訳（メタデータ） (2021-09-24T17:37:35Z) - D-REX: Dialogue Relation Extraction with Explanations [65.3862263565638]
この研究は、部分的にラベル付けされたデータのみを使用しながら関係が存在することを示す説明を抽出することに焦点を当てている。
本稿では,政策誘導型半教師付きアルゴリズムD-REXを提案する。
約90%の人は、強いBERTに基づく関節関係抽出と説明モデルよりもD-REXの説明を好んでいる。
論文 参考訳（メタデータ） (2021-09-10T22:30:48Z) - Techniques for Jointly Extracting Entities and Relations: A Survey [31.759798455009253]
伝統的に、関係抽出は「パイプライン」の方法で実体抽出後に行われる。
共同実行エンティティと関係抽出は、両方のタスクに有益であることが観察された。
論文 参考訳（メタデータ） (2021-03-10T15:18:24Z) - A logic-based relational learning approach to relation extraction: The
OntoILPER system [0.9176056742068812]
論理に基づく関係学習手法OntoILPERを提案する。
OntoILPERは、例のリッチなリレーショナル表現の利益を享受し、欠点を軽減することができる。
提案手法は統計的手法よりも関係抽出に適していると考えられる。
論文 参考訳（メタデータ） (2020-01-13T12:47:49Z)
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。