論文の概要: Rethinking Drug-Drug Interaction Modeling as Generalizable Relation Learning

• arxiv url: http://arxiv.org/abs/2601.15771v1
• Date: Thu, 22 Jan 2026 09:00:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.550728
• Title: Rethinking Drug-Drug Interaction Modeling as Generalizable Relation Learning
• Title（参考訳）: 汎用的関係学習としての薬物・薬物相互作用モデリングの再考
• Authors: Dong Xu, Jiantao Wu, Qihua Pan, Sisi Yuan, Zexuan Zhu, Junkai Ji,
• Abstract要約: 薬物と薬物の相互作用(DDI)の予測は、薬物の発見と臨床開発の中心である。 我々は、関係中心学習問題としてDDI予測を再構成する関係中心学習フレームワークGenRel-DDIを提案する。 実験の結果、GenRel-DDIは一貫して、最先端の手法よりも大幅に優れていた。
• 参考スコア（独自算出の注目度）: 14.217488560342135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-drug interaction (DDI) prediction is central to drug discovery and clinical development, particularly in the context of increasingly prevalent polypharmacy. Although existing computational methods achieve strong performance on standard benchmarks, they often fail to generalize to realistic deployment scenarios, where most candidate drug pairs involve previously unseen drugs and validated interactions are scarce. We demonstrate that proximity in the embedding spaces of prevailing molecule-centric DDI models does not reliably correspond to interaction labels, and that simply scaling up model capacity therefore fails to improve generalization. To address these limitations, we propose GenRel-DDI, a generalizable relation learning framework that reformulates DDI prediction as a relation-centric learning problem, in which interaction representations are learned independently of drug identities. This relation-level abstraction enables the capture of transferable interaction patterns that generalize to unseen drugs and novel drug pairs. Extensive experiments across multiple benchmark demonstrate that GenRel-DDI consistently and significantly outperforms state-of-the-art methods, with particularly large gains on strict entity-disjoint evaluations, highlighting the effectiveness and practical utility of relation learning for robust DDI prediction. The code is available at https://github.com/SZU-ADDG/GenRel-DDI.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)の予測は、薬の発見と臨床開発の中心であり、特に、ますます普及する多薬局の文脈において重要である。 既存の計算手法は標準的なベンチマークで強い性能を達成するが、ほとんどの候補薬のペアがこれまで見つからなかった薬物と、検証された相互作用が不足している現実的な展開シナリオに一般化することができないことが多い。 分子中心DDIモデルの埋め込み空間における近接性は相互作用ラベルと確実に一致せず,モデルキャパシティのスケールアップだけでは一般化が得られないことを示す。 これらの制約に対処するために,DDI予測を関係中心学習問題として再構成する汎用的な関係学習フレームワークGenRel-DDIを提案する。 この関係レベルの抽象化は、未知の薬物と新しい薬物対に一般化する伝達可能な相互作用パターンのキャプチャを可能にする。 複数のベンチマークにわたる広範囲な実験により、GenRel-DDIは最先端の手法を一貫して大幅に上回り、厳密な実体分離評価に大きな利益をもたらし、堅牢なDDI予測のための関係学習の有効性と実用性を強調している。 コードはhttps://github.com/SZU-ADDG/GenRel-DDIで公開されている。

関連論文リスト

• Predicting Drug-Drug Interactions Using Heterogeneous Graph Neural Networks: HGNN-DDI [8.48967497162918]
  薬物と薬物の相互作用(DDI)は治療効果や重篤な副作用を減少させる。 複数の薬物関連データソースを統合することで、潜在的なDDIを予測するために設計されたグラフニューラルネットワークモデルであるHGNN-DDIを提案する。 ベンチマークDDIデータセットによる実験結果から,HGNN-DDIは予測精度とロバスト性において最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-08-26T07:50:47Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• 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)
• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• DDIPrompt: Drug-Drug Interaction Event Prediction based on Graph Prompt Learning [15.69547371747469]
  DDIPromptは、グラフプロンプト学習の最近の進歩に触発された革新的なソリューションである。 我々のフレームワークは、事前訓練されたモデルから本質的な知識を活用することで、これらの問題に対処することを目的としている。 2つのベンチマークデータセットに対する大規模な実験は、DDIPromptのSOTAパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-18T06:22:01Z)
• 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)
• AttentionDDI: Siamese Attention-based Deep Learning method for drug-drug interaction predictions [0.9176056742068811]
  薬物と薬物の相互作用(DDIs)は、2つ以上の薬物の投与によって引き起こされるプロセスを指し、薬物が自分自身によって投与されるときに観察されるものを超える副作用をもたらす。 大量の薬物対が存在するため、すべての組み合わせを実験的にテストし、以前は観測されていなかった副作用を発見することはほとんど不可能である。 本稿では,複数の薬物類似度尺度を統合するddi予測のためのsiamese self-attention multi-modal neural networkを提案する。
  論文  参考訳（メタデータ） (2020-12-24T13:33:07Z)

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。