論文の概要: GRAIN: Molecules Are Not the Right Granularity -- Active-Ingredient Modeling for Safe Medication Recommendation

• arxiv url: http://arxiv.org/abs/2608.00098v1
• Date: Thu, 30 Jul 2026 18:13:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 21:56:46.35448
• Title: GRAIN: Molecules Are Not the Right Granularity -- Active-Ingredient Modeling for Safe Medication Recommendation
• Title（参考訳）: GRAIN: 分子は正しい粒度ではない -- 安全な医療勧告のためのアクティブ・イングレディエント・モデリング
• Abstract要約: 電子健康記録からの薬剤の推奨は、多薬効下での有害薬物・薬物相互作用(DDI)のリスクに対する予測精度のバランスをとる必要がある。 有効成分は、粒度の不足であり、その周辺に構築された医薬品推奨フレームワークであるGRAINを導入している。 GRAINは、長い不規則な訪問シーケンスを線形時間で処理する選択的な状態空間バックボーンで、縦方向の患者軌跡(診断、手順、過去の薬品)を符号化する。
• 参考スコア（独自算出の注目度）: 2.26215287738502
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medication recommendation from electronic health records must balance predictive accuracy against the risk of adverse drug-drug interactions (DDIs) under polypharmacy. Existing safety-aware recommenders operate at one of two granularities: the drug code, which treats each medication as an indivisible token, or the molecular substructure, which is finer than pharmacological interaction knowledge is actually organized. We argue that the active ingredient is the missing granularity, and introduce GRAIN, a medication recommendation framework built around it. GRAIN encodes longitudinal patient trajectories (diagnoses, procedures, past medications) with a selective state space backbone that handles long, irregular visit sequences in linear time. On top of it we introduce a joint objective unifying three knowledge sources aligned to a common medication vocabulary: a drug-level DDI graph, an ingredient-level DDI graph obtained by normalizing medication codes to active ingredients via RxNorm, and an EHR-derived co-prescription graph. A proportional controller adapts the accuracy-safety trade-off to the observed validation DDI rate rather than fixing it a priori. Under strictly matched settings -- identical preprocessing, cohort, vocabulary, split, and evaluation code -- GRAIN improves over a re-implemented MambaHealth baseline on MIMIC-IV across all standard multi-label metrics (Jaccard 0.4488 to 0.4983, PRAUC 0.6911 to 0.7485, F1 0.5989 to 0.6453) while reducing the drug-level DDI rate from 0.1875 to 0.0948. We further define an ingredient-level DDI rate, a safety measure invisible to drug-code-level evaluation. The results indicate that ingredient-level normalization recovers predictive signal erased by code-level aggregation, and that it is complementary to, rather than in competition with, accurate sequence modeling.
• Abstract（参考訳）: 電子健康記録からの薬剤の推奨は、多薬効下での有害薬物・薬物相互作用(DDI)のリスクに対する予測精度のバランスをとる必要がある。 既存のセーフティ・アウェア・レコメンデーターは、2つの粒度のうちの1つで作用する:各薬剤を識別不能なトークンとして扱う薬物コード、または薬理学的相互作用の知識よりも微細な分子サブ構造が実際に組織化されている。 有効成分は、粒度の不足であり、その周辺に構築された医薬品推奨フレームワークであるGRAINを導入している。 GRAINは、長い不規則な訪問シーケンスを線形時間で処理する選択的な状態空間バックボーンで、縦方向の患者軌跡(診断、手順、過去の薬品)を符号化する。 薬物レベルDDIグラフ,RxNormによる有効成分の正常化により得られた成分レベルDDIグラフ,ERH由来の共処方グラフの3つの知識ソースを統一する共同目的について紹介する。 比例制御器は、プリオリを固定するのではなく、観測された検証DDIレートに精度安全トレードオフを適用する。 厳密にマッチした設定 -- 同一の前処理、コホート、語彙、分割、評価コード -- の下で、GRAINはMIMIC-IV上の再実装されたMambaHealthベースライン(Jaccard 0.4488から0.4983、PRAUC 0.6911から0.7485、F1 0.5989から0.6453)を改良し、薬物レベルのDDIレートを0.1875から0.0948に下げる。 さらに, 成分レベルDDI率, 薬剤コードレベルの評価には見えない安全性指標を定義した。 その結果, 成分レベルの正規化は, コードレベルのアグリゲーションによって消去された予測信号を復元し, 正確なシーケンスモデリングと競合するのではなく, 相補的であることを示唆した。

関連論文リスト

• MARD: Mirror-Augmented Reasoning Distillation for Mechanism-Level Drug-Drug Interaction Prediction [0.0]
  メカニズムレベルの薬物・薬物相互作用(DDI)予測は、どの酵素または薬物動態軸が関与しているかを特定する必要がある。 そこで本研究では, 7- Family/147-subtype taxonomy を組み込んだ再現可能な機構レベルのDDIラベリングと評価プロトコルを提案する。 我々は、7B推論MARD(Mirror-Augmented Reasoning Distillation)を生成するパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-06-10T18:26:11Z)
• Dual-Pathway Fusion of EHRs and Knowledge Graphs for Predicting Unseen Drug-Drug Interactions [5.481037938702276]
  薬物と薬物の相互作用(DDI)は予防可能な害の主要な原因である。 我々は,患者レベル EHR の文脈に基づいて,KG 関係のスコアリングを条件付ける最初のシステムを紹介した。 融合"Teacher"は、両方のソースに表される薬物対のメカニズム固有の関係を学習する。 蒸留された「Student」は、推論時にKGアクセスのない新規または稀に使用される薬物に一般化する。
  論文  参考訳（メタデータ） (2025-11-10T03:18:16Z)
• 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)
• Fine-grained List-wise Alignment for Generative Medication Recommendation [30.397147691681607]
  大規模言語モデル(LLM)のための細粒度リストワイドアライメントフレームワークであるFLAMEを提案する。 FLAMEはレコメンデーションをシーケンシャルな決定プロセスとして定式化し、各ステップが1つの薬を添加または除去する。 ベンチマークデータセットの実験では、FLAMEが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-05-26T16:59:23Z)
• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• 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)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• 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)
• 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)
• 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。