論文の概要: RexDrug: Reliable Multi-Drug Combination Extraction through Reasoning-Enhanced LLMs

• arxiv url: http://arxiv.org/abs/2603.08166v1
• Date: Mon, 09 Mar 2026 09:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.745624
• Title: RexDrug: Reliable Multi-Drug Combination Extraction through Reasoning-Enhanced LLMs
• Title（参考訳）: RexDrug: RexDrug-Reasoning-Enhanced LLMによる信頼性多剤複合抽出
• Authors: Zhijun Wang, Ling Luo, Dinghao Pan, Huan Zhuang, Lejing Yu, Yuanyuan Sun, Hongfei Lin,
• Abstract要約: RexDrugは、n-ary薬物の組み合わせ抽出のためのエンドツーエンドの推論強化関係抽出フレームワークである。 DrugCombデータセットの実験によると、RexDrugはn-ary抽出の最先端ベースラインを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 18.980650525232843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated Drug Combination Extraction (DCE) from large-scale biomedical literature is crucial for advancing precision medicine and pharmacological research. However, existing relation extraction methods primarily focus on binary interactions and struggle to model variable-length n-ary drug combinations, where complex compatibility logic and distributed evidence need to be considered. To address these limitations, we propose RexDrug, an end-to-end reasoning-enhanced relation extraction framework for n-ary drug combination extraction based on large language models. RexDrug adopts a two-stage training strategy. First, a multi-agent collaborative mechanism is utilized to automatically generate high-quality expert-like reasoning traces for supervised fine-tuning. Second, reinforcement learning with a multi-dimensional reward function specifically tailored for DCE is applied to further refine reasoning quality and extraction accuracy. Extensive experiments on the DrugComb dataset show that RexDrug consistently outperforms state-of-the-art baselines for n-ary extraction. Additional evaluation on the DDI13 corpus confirms its generalizability to binary drugdrug interaction tasks. Human expert assessment and automatic reasoning metrics further indicates that RexDrug produces coherent medical reasoning while accurately identifying complex therapeutic regimens. These results establish RexDrug as a scalable and reliable solution for complex biomedical relation extraction from unstructured text. The source code and data are available at https://github.com/DUTIR-BioNLP/RexDrug
• Abstract（参考訳）: 大規模生物医学文献からのDCE(Automated Drug Combination extract)は、精密医療と薬理学研究の進歩に不可欠である。 しかし、既存の関係抽出法は主に二項相互作用に重点を置いており、複雑な互換性論理と分散エビデンスを考慮する必要がある変数長のn-ary薬物の組み合わせのモデル化に苦慮している。 これらの制約に対処するために、大規模言語モデルに基づくn-ary薬物の組み合わせ抽出のためのエンドツーエンドの推論強化関係抽出フレームワークであるRexDrugを提案する。 RexDrugは2段階のトレーニング戦略を採用している。 まず、マルチエージェント協調機構を用いて、教師付き微調整のための高品質なエキスパートライクな推論トレースを自動的に生成する。 次に、DCEに適した多次元報酬関数を用いた強化学習を適用し、推論品質と抽出精度をさらに高める。 DrugCombデータセットの大規模な実験は、RexDrugがn-ary抽出の最先端ベースラインを一貫して上回っていることを示している。 DDI13コーパスのさらなる評価により、バイナリドラッグ相互作用タスクへの一般化性が確認された。 人間の専門家による評価と自動推論は、RexDrugが複雑な治療体制を正確に識別しながら、一貫性のある医学的推論を生み出すことを示している。 これらの結果は、非構造化テキストから複雑な生医学関係を抽出するためのスケーラブルで信頼性の高いソリューションとしてRexDrugを確立する。 ソースコードとデータはhttps://github.com/DUTIR-BioNLP/RexDrugで公開されている。

関連論文リスト

• MD-Syn: Synergistic drug combination prediction based on the multidimensional feature fusion method and attention mechanisms [0.0]
  薬物併用療法は、複雑な疾患に対して有望な治療効果を示し、薬剤耐性を低下させる可能性を示している。 薬物の組み合わせの可能性は非常に多いため、従来の実験ではそれらを全てスクリーニングすることは困難である。 本研究では,多次元特徴融合法とマルチヘッドアテンション機構に基づく計算フレームワークMD-Synを提案する。
  論文  参考訳（メタデータ） (2025-01-14T06:50:56Z)
• Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding [9.721502993958193]
  我々はDual-Feature Drug Repurposing Neural Network (DFDRNN)と呼ばれる新しいモデルを提案する。 DFDRNNは、薬物や疾患をコード化するために、医薬品の生医学ネットワークから2つの特徴(類似性と関連性)をマイニングすることができる。 提案するDFDRNNモデルは,4つのベンチマークデータセット上で6つの最先端手法より優れている。
  論文  参考訳（メタデータ） (2024-07-16T15:02:18Z)
• ADRNet: A Generalized Collaborative Filtering Framework Combining Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
  逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。 ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
  論文  参考訳（メタデータ） (2023-08-03T11:28:12Z)
• 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)
• 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)
• DeepDDS: deep graph neural network with attention mechanism to predict synergistic drug combinations [0.9854322576538699]
  計算スクリーニングは 薬物の組み合わせを優先する重要な方法になっています DeepDDSは16%以上の予測精度で競合手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-06T08:25:43Z)
• SafeDrug: Dual Molecular Graph Encoders for Safe Drug Recommendations [59.590084937600764]
  医薬品の分子構造とDDIのモデルを明確に活用するために、SafeDrugというDDI制御可能な薬物推奨モデルを提案する。 ベンチマークデータセットでは、SafeDrugはDDIを19.43%削減し、Jaccardの推奨薬物と実際に処方された薬物の組み合わせの2.88%を改善します。
  論文  参考訳（メタデータ） (2021-05-05T00:20:48Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)

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。