論文の概要: Enhanced Drug-drug Interaction Prediction Using Adaptive Knowledge Integration

• arxiv url: http://arxiv.org/abs/2603.12885v1
• Date: Fri, 13 Mar 2026 10:33:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:12.051812
• Title: Enhanced Drug-drug Interaction Prediction Using Adaptive Knowledge Integration
• Title（参考訳）: 適応的知識統合による薬物と薬物の相互作用予測
• Authors: Pengfei Liu, Jun Tao, Zhixiang Ren,
• Abstract要約: 薬物の知識を大規模言語モデル(LLM)に適応的に注入する知識増強フレームワークを提案する。 このフレームワークは強化学習技術を利用して、適応的な知識抽出と合成を容易にする。 数発の学習の結果,ベースラインに比べて顕著な改善が得られた。
• 参考スコア（独自算出の注目度）: 20.73720519473943
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug-drug interaction event (DDIE) prediction is crucial for preventing adverse reactions and ensuring optimal therapeutic outcomes. However, existing methods often face challenges with imbalanced datasets, complex interaction mechanisms, and poor generalization to unknown drug combinations. To address these challenges, we propose a knowledge augmentation framework that adaptively infuses prior drug knowledge into a large language model (LLM). This framework utilizes reinforcement learning techniques to facilitate adaptive knowledge extraction and synthesis, thereby efficiently optimizing the strategy space to enhance the accuracy of LLMs for DDIE predictions. As a result of few-shot learning, we achieved a notable improvement compared to the baseline. This approach establishes an effective framework for scientific knowledge learning for DDIE predictions.
• Abstract（参考訳）: 薬物・薬物相互作用イベント(DDIE)予測は、副作用を予防し、適切な治療結果を確保するために重要である。 しかし、既存の手法では、不均衡なデータセット、複雑な相互作用機構、未知の薬物の組み合わせへの不適切な一般化といった課題に直面していることが多い。 これらの課題に対処するために,薬物の知識を適応的に大言語モデル(LLM)に注入する知識増強フレームワークを提案する。 このフレームワークは、強化学習技術を利用して、適応的な知識抽出と合成を容易にし、戦略空間を効率的に最適化し、DDIE予測のためのLCMの精度を高める。 数発の学習の結果,ベースラインに比べて顕著な改善が得られた。 このアプローチはDDIE予測のための科学的知識学習の効果的な枠組みを確立する。

関連論文リスト

• A Hybrid Computational Intelligence Framework with Metaheuristic Optimization for Drug-Drug Interaction Prediction [0.8602553195689512]
  薬物と薬物の相互作用(DDI)は予防可能な有害事象の主要な原因であり、しばしば治療を複雑にし、医療費を増大させる。 本稿では、DDI予測を改善するために、現代の機械学習とドメイン知識を融合した解釈可能かつ効率的なフレームワークを提案する。 提案手法は, フラグメントレベルの構造パターンをキャプチャする Mol2Vec と, 文脈化学的特徴を学習する SMILES-BERT の2つの補完的な埋め込みを組み合わせる。
  論文  参考訳（メタデータ） (2025-10-08T09:55:18Z)
• Expert-guided Clinical Text Augmentation via Query-Based Model Collaboration [13.279553235224988]
  大規模言語モデル(LLM)はこの目的のために強力な生成能力を示している。 医療などのハイテイク分野における彼らの応用は、臨床的に誤った情報や誤解を招くリスクがあるため、ユニークな課題を呈している。 本稿では、エキスパートレベルのドメイン知識を統合して拡張プロセスをガイドする、新しいクエリベースのモデルコラボレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-25T20:18:39Z)
• Drug-Target Interaction/Affinity Prediction: Deep Learning Models and Advances Review [4.364576564103288]
  相互作用予測の課題を克服するために、ディープラーニングモデルが提示されている。 薬物-標的相互作用の予測法を180件分析した。
  論文  参考訳（メタデータ） (2025-02-21T10:00:43Z)
• Barlow Twins Deep Neural Network for Advanced 1D Drug-Target Interaction Prediction [0.0]
  BarlowDTIは機能抽出に強力なBarlow Twinsアーキテクチャを使用している。 複数の確立されたベンチマークに対して最先端の予測性能を達成する。 共結晶構造を比較することで、BarlowDTIは触媒活性および安定化残基を効果的に利用していることが分かる。
  論文  参考訳（メタデータ） (2024-07-31T14:06:18Z)
• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• 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)
• 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)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。