論文の概要: OpenDDI: A Comprehensive Benchmark for DDI Prediction

• arxiv url: http://arxiv.org/abs/2602.00539v1
• Date: Sat, 31 Jan 2026 06:09:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.244815
• Title: OpenDDI: A Comprehensive Benchmark for DDI Prediction
• Title（参考訳）: OpenDDI: DDI予測のための総合ベンチマーク
• Authors: Xinmo Jin, Bowen Fan, Xunkai Li, Henan Sun, YuXin Zeng, Zekai Chen, Yuxuan Sun, Jia Li, Qiangqiang Dai, Hongchao Qin, Rong-Hua Li, Guoren Wang,
• Abstract要約: 薬物と薬物の相互作用(DDI)は治療効果と患者の安全性に大きな影響を及ぼす。 ほとんどの研究は、小規模のDDIデータセットと単一モーダルな薬物表現に依存している。 DDI予測のための総合的なベンチマークであるOpenDDIを提案する。
• 参考スコア（独自算出の注目度）: 38.239357319249116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-Drug Interactions (DDIs) significantly influence therapeutic efficacy and patient safety. As experimental discovery is resource-intensive and time-consuming, efficient computational methodologies have become essential. The predominant paradigm formulates DDI prediction as a drug graph-based link prediction task. However, further progress is hindered by two fundamental challenges: (1) lack of high-quality data: most studies rely on small-scale DDI datasets and single-modal drug representations; (2) lack of standardized evaluation: inconsistent scenarios, varied metrics, and diverse baselines. To address the above issues, we propose OpenDDI, a comprehensive benchmark for DDI prediction. Specifically, (1) from the data perspective, OpenDDI unifies 6 widely used DDI datasets and 2 existing forms of drug representation, while additionally contributing 3 new large-scale LLM-augmented datasets and a new multimodal drug representation covering 5 modalities. (2) From the evaluation perspective, OpenDDI unifies 20 SOTA model baselines across 3 downstream tasks, with standardized protocols for data quality, effectiveness, generalization, robustness, and efficiency. Based on OpenDDI, we conduct a comprehensive evaluation and derive 10 valuable insights for DDI prediction while exposing current limitations to provide critical guidance for this rapidly evolving field. Our code is available at https://github.com/xiaoriwuguang/OpenDDI
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)は治療効果と患者の安全性に大きな影響を及ぼす。 実験的な発見は資源集約的で時間を要するため、効率的な計算手法が不可欠である。 支配的なパラダイムは、ドラッググラフに基づくリンク予測タスクとしてDDI予測を定式化する。 高品質なデータがない:ほとんどの研究は、小規模のDDIデータセットと単一モーダルな薬物表現に依存している;(2)標準化された評価の欠如:矛盾したシナリオ、多様なメトリクス、多様なベースラインである。 上記の問題に対処するため、我々はDDI予測のための総合的なベンチマークであるOpenDDIを提案する。 具体的には、(1)データの観点から、OpenDDIは6つの広く使われているDDIデータセットと2つの既存の薬物表現を統一し、さらに3つの大規模LDM拡張データセットと5つのモダリティをカバーする新しいマルチモーダルドラッグ表現に寄与する。 2) 評価の観点から,OpenDDIは,データ品質,有効性,一般化,堅牢性,効率の標準化されたプロトコルにより,3つの下流タスクにまたがる20のSOTAモデルベースラインを統一する。 OpenDDIに基づいて、我々は総合的な評価を行い、DDI予測のための10の貴重な洞察を導きながら、現在の限界を明らかにし、この急速に発展する分野に対する批判的なガイダンスを提供する。 私たちのコードはhttps://github.com/xiaoriwuguang/OpenDDIで利用可能です。

関連論文リスト

• Benchmarking drug-drug interaction prediction methods: a perspective of distribution changes [39.36376787741314]
  DDI-Benは、分散変更の下でのDDI予測の出現のためのベンチマークフレームワークである。 既存のほとんどのアプローチは,分布変化による性能劣化に悩まされていることを示す。 分析の結果,大規模言語モデル(LLM)に基づく手法と薬物関連テキスト情報の統合は,そのような劣化に対して有望な堅牢性をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-10-24T09:35:34Z)
• Devil in the Tail: A Multi-Modal Framework for Drug-Drug Interaction Prediction in Long Tail Distinction [12.430490805111921]
  薬物と薬物の相互作用(DDI)の同定は薬理学研究の重要な側面である。 本稿では、DDI分類を実現するために、薬物の複数の特性を活用するために、新しいマルチモーダルディープラーニングベースのフレームワークTFDMを紹介した。 カテゴリーごとの分布歪による課題に対処するため, タレド・フォカル・ロスと呼ばれる新たな損失関数を導入する。
  論文  参考訳（メタデータ） (2024-10-16T05:21:22Z)
• 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)
• 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。