論文の概要: DDIAgents: Mechanism-Conditioned Context Flow for Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2606.31085v1
• Date: Tue, 30 Jun 2026 03:19:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.064047
• Title: DDIAgents: Mechanism-Conditioned Context Flow for Drug-Drug Interaction Prediction
• Title（参考訳）: DDIAgents:薬物と薬物の相互作用予測のためのメカニズムとコンテキストフロー
• Authors: Zhenqian Shen, Yu Liu, Xiaoyi Fu, Quanming Yao,
• Abstract要約: DDIAgentsは動的知識オーケストレーションを通じてDDI予測を行う機構条件付きマルチエージェントフレームワークである。 DDIAgentsは、推論された相互作用機構にコンテキストフローを適用することにより、無関係な情報を低減し、補完的な専門家の推論をサポートし、解釈可能なエージェントレベルの有理性を生成する。
• 参考スコア（独自算出の注目度）: 32.686939496125916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug-drug interaction (DDI) prediction is essential for medication safety, yet it requires reasoning over heterogeneous biomedical evidence whose relevance changes across interaction mechanisms. We propose DDIAgents, a mechanism-conditioned multi-agent framework that performs DDI prediction through dynamic knowledge orchestration. Given a drug pair, a planner agent instantiates specialized expert agents, routes mechanism-relevant knowledge sources to each agent, and aggregates their analyses through a conclusion agent. By adapting context flow to the inferred interaction mechanism, DDIAgents reduces irrelevant information, supports complementary expert reasoning, and produces interpretable agent-level rationales. Extensive experiments on realistic DDI prediction benchmarks show that DDIAgents consistently outperforms existing feature-based, graph-based, LLM-based, and agent-based baselines. Beyond prediction performance, DDIAgents demonstrates how multi-agent systems can organize heterogeneous scientific knowledge for adaptive and interpretable AI4Science reasoning.
• Abstract（参考訳）: 薬物と薬物の相互作用(DDI)の予測は医薬品の安全性に不可欠であるが、相互作用機構の相互関係が変化する異種生物医学的証拠の推論を必要とする。 動的知識オーケストレーションによるDDI予測を行う機構条件付きマルチエージェントフレームワークDDIAgentsを提案する。 薬物対が与えられた場合、プランナーエージェントは、専門の専門家エージェントをインスタンス化し、各エージェントにメカニズム関連知識ソースをルーティングし、結論エージェントを介して分析を集約する。 DDIAgentsは、推論された相互作用機構にコンテキストフローを適用することにより、無関係な情報を低減し、補完的な専門家の推論をサポートし、解釈可能なエージェントレベルの有理性を生成する。 リアルなDDI予測ベンチマークに関する大規模な実験は、DDIAgentsが既存の特徴ベース、グラフベース、LLMベース、エージェントベース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。 DDIAgentsは予測性能以外にも、適応的で解釈可能なAI4Science推論のために、マルチエージェントシステムが異種科学知識を組織化する方法を実証している。

関連論文リスト

• Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
  我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。 従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。 本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T06:30:19Z)
• DrugPilot: LLM-based Parameterized Reasoning Agent for Drug Discovery [54.79763887844838]
  大規模言語モデル(LLM)と自律エージェントの統合は、自動推論とタスク実行を通じて科学的発見を促進する大きな可能性を秘めている。 本稿では,薬物発見におけるエンドツーエンド科学のために設計されたパラメータ化推論アーキテクチャを備えたLSMベースのエージェントシステムであるDrarmPilotを紹介する。 DrugPilot は ReAct や LoT のような最先端のエージェントよりも優れており、タスク完了率は98.0%、93.5%、64.0%である。
  論文  参考訳（メタデータ） (2025-05-20T05:18:15Z)
• ExDDI: Explaining Drug-Drug Interaction Predictions with Natural Language [19.426453222204714]
  DDI予測のための自然言語説明を生成することを提案する。 DDInter と DrugBank から DDI の説明を収集した。 我々のモデルは、既知の薬物間の未知のDDIについて正確な説明を提供することができる。
  論文  参考訳（メタデータ） (2024-09-09T13:23:14Z)
• 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)
• DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction [8.98329812378801]
  DrugAgentは、薬物と薬物の相互作用を予測するためのマルチエージェントシステムである。 複数の専門的な視点と透明な推論を組み合わせる。 我々のアプローチは、予測毎に詳細な人間解釈可能な推論を提供する。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• DTIAM: A unified framework for predicting drug-target interactions, binding affinities and activation/inhibition mechanisms [9.671391525450716]
  薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。 DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。 すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-12-23T13:27:41Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• Interactive Autonomous Navigation with Internal State Inference and Interactivity Estimation [58.21683603243387]
  本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。 これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。 提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-11-27T18:57:42Z)
• 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)

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。