論文の概要: OOD-GraphLLM: Graph Large Language Model for Out-of-Distribution Generalized Drug Synergy Prediction

• arxiv url: http://arxiv.org/abs/2605.30247v1
• Date: Thu, 28 May 2026 17:12:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.575938
• Title: OOD-GraphLLM: Graph Large Language Model for Out-of-Distribution Generalized Drug Synergy Prediction
• Title（参考訳）: OOD-GraphLLM: 汎用薬物相乗効果予測のためのグラフ大言語モデル
• Authors: Xin Wang, Linxin Xiao, Yang Yao, Wenwu Zhu,
• Abstract要約: 本研究は,グラフ大言語モデルによる薬物相乗効果予測のアウト・オブ・ディストリビューションを初めて検討する。 OOD-GraphLLMはO.O.D.設定下で薬物相乗効果を正確に予測できる新しいグラフLLMフレームワークである。
• 参考スコア（独自算出の注目度）: 26.75075998637936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug synergy prediction (DSP) aims to identify efficacious drug combinations under various cellular contexts with different targets. However, the continual emergence of novel compounds results in variations in molecular scaffolds and sizes, causing drug synergy data to exhibit out-of-distribution (O.O.D.) shifts with respect to topological structure. Existing works rely on in-distribution (I.D.) assumption, failing to handle the O.O.D. shifts. To solve this problem, we study out-of-distribution generalized drug synergy prediction through a graph large language model for the first time. Nevertheless, O.O.D. generalized DSP is highly non-trivial, posing several challenges: i) how to discover structurally relevant and irrelevant molecular representations with respect to cell targets; ii) how to find the optimal graph neural architectures that accurately calculate molecular representations; and iii) how to jointly leverage molecular structural and semantic information in LLMs. To address these challenges, we propose OOD-GraphLLM, a novel graphLLM framework which is able to accurately predict drug synergy under O.O.D. settings via jointly optimizing molecular graph representation and biomedical semantic language representations in a unified manner. Furthermore, we finetune DrugSyn-LLM, a biomedical LLM, and employ a retrieval-augmented biomedical instruction tuning strategy to align molecular topological information and molecular semantic information with language-based reasoning for O.O.D. generalized DSP. Both the source code (https://github.com/EkkoXiao/Bio-GraphLLM) and released model (https://mn.cs.tsinghua.edu.cn/bio-graphllm/) are publicly available, where users are allowed to download model resources and interactively use the system through a web interface.
• Abstract（参考訳）: 薬物シナジー予測(DSP)は、様々な細胞コンテキストと異なる標的下での効果的な薬物の組み合わせを特定することを目的としている。 しかし、新規化合物の連続的な出現は、分子の足場やサイズの変化をもたらし、薬物相乗効果のデータは、トポロジカルな構造に対する分配(O.O.D.)シフトを示す。 既存の研究は、O.O.D.シフトの処理に失敗し、分配内仮定(I.D.)に依存している。 この問題を解決するために, グラフ大言語モデルを用いて, 分布外一般化薬物相乗効果の予測を初めて検討した。 それでも、O.O.D.が一般化したDSPは非常に非自明であり、いくつかの課題を提起している。 一 細胞標的に関する構造的に関連があり無関係な分子表現を発見する方法 二 分子表現を正確に計算する最適なグラフ神経構造を見つける方法、及び 三 LLMの分子構造及び意味情報を共同利用する方法。 これらの課題に対処するために,OOD-GraphLLMを提案する。OOD-GraphLLMは,分子グラフ表現とバイオメディカルセマンティック言語表現を統一的に結合最適化することで,O.O.D.設定下で薬物相乗効果を正確に予測できる新しいグラフLLMフレームワークである。 さらに,分子トポロジカル情報と分子意味情報をO.O.D.一般化DSPの言語に基づく推論と整合させるために,バイオメディカル LLM である DrugSyn-LLM を微調整し,分子トポロジカル情報と分子意味情報を整合させる。 ソースコード (https://github.com/EkkoXiao/Bio-GraphLLM) とリリースモデル (https://mn.cs.tsinghua.edu.cn/bio-graphllm/) の両方が公開されている。

関連論文リスト

• Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations [3.6099926707292793]
  薬物と薬物の相互作用(DDI)は、薬理学において重要な課題であり、しばしば患者の安全と医療結果に重大な影響を及ぼす有害な薬物反応を引き起こす。 我々は,分子と生物の知識を統合したグラフベースの新しいフレームワークであるMolecBioNetを提案し,ロバストで解釈可能なDDI予測を行う。
  論文  参考訳（メタデータ） (2025-07-12T07:43:19Z)
• Multimodal Contrastive Representation Learning in Augmented Biomedical Knowledge Graphs [2.006175707670159]
  PrimeKG++はマルチモーダルデータを組み込んだ豊富な知識グラフである。 提案手法は強い一般化可能性を示し,未知のノードに対しても正確なリンク予測を可能にする。
  論文  参考訳（メタデータ） (2025-01-03T05:29:12Z)
• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された新しいモデルである。 我々は、13のタスクのうち11のタスクで最先端のパフォーマンスを達成するMoleculeNetデータセット上で、FARMを評価した。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• GraphCL-DTA: a graph contrastive learning with molecular semantics for drug-target binding affinity prediction [2.523552067304274]
  GraphCL-DTAは、薬物表現を学習する分子グラフのためのグラフコントラスト学習フレームワークである。 次に、薬物と標的表現の均一性を調整するために直接使用できる新しい損失関数を設計する。 上記のイノベーティブな要素の有効性は、2つの実際のデータセットで検証される。
  論文  参考訳（メタデータ） (2023-07-18T06:01:37Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
  我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2021-06-17T17:55:33Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

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。