論文の概要: DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing
- arxiv url: http://arxiv.org/abs/2609.06779v1
- Date: Sun, 06 Sep 2026 18:54:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.304187
- Title: DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing
- Title（参考訳）: DrugReason: 知識グラフによる動的マルチビュー推論と医薬品購入のための言語証拠
- Abstract要約: DrugReasonはマルチビュー推論フレームワークであり、LLMが生成する薬物再精製の機械的推論と接地KG推論を統合している。
PharmaDB, DDInter, DrugBankの実験によると、DragonReasonは強力な単一ビュー推論ベースラインよりも平均的なパフォーマンスを向上させる。
- 参考スコア（独自算出の注目度）: 55.45112712244231
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drug repurposing aims to identify new therapeutic uses for existing compounds and, compared with de novo drug discovery, offers a faster and more cost-effective path to clinical translation. However, the space of candidate drug-disease pairs is enormous and their underlying relationships often depend on complex multi-hop biological mechanisms, making it difficult to reliably predict which pairs represent true therapeutic relationships. Existing approaches tackle this from two directions: knowledge graph-based methods organize curated biomedical evidence into structured relational networks for grounded multi-hop reasoning, while LLM-based methods leverage pretrained knowledge to generate flexible mechanistic rationales. Yet neither is sufficient alone - KGs are confined to observed graph structure while LLMs lack factual grounding and risk hallucination. To address this gap, we propose DrugReason, a multi-view reasoning framework that integrates grounded KG reasoning with LLM-generated mechanistic inference for drug repurposing. DrugReason adaptively routes diverse reasoning paths to specialized experts conditioned on the query context, while a cross-expert distillation objective enables knowledge sharing without sacrificing expert specialization. Experiments on PharmaDB, DDInter, and DrugBank show that DrugReason improves average performance over strong single-view reasoning baselines and achieves competitive or superior results compared with graph-based alternatives, while providing interpretable routing-based predictions.
- Abstract（参考訳）: 薬物再資源化は、既存の化合物に対する新しい治療法の特定を目的としており、デ・ノボの薬物発見と比較して、より高速で費用対効果の高い臨床翻訳道を提供する。
しかしながら、薬剤と解毒剤の対の空間は巨大であり、その基礎となる関係は複雑なマルチホップの生物学的機構に依存することが多いため、どのペアが真の治療関係を表すかを確実に予測することは困難である。
知識グラフに基づく手法は、計算済みの生医学的証拠を、接地型マルチホップ推論のための構造化された関係ネットワークに整理する一方、LCMベースの手法は、事前学習した知識を活用して柔軟な機械論的理性を生成する。
しかし、KGsは観測されたグラフ構造に制限されるのに対して、LLMsは事実的根拠とリスク幻覚を欠いている。
このギャップに対処するため,薬物再資源化のための基礎的KG推論と LLM 生成機械的推論を統合した多視点推論フレームワークである DrugReason を提案する。
DrugReasonは、クエリコンテキストで条件付けられた専門家に様々な推論経路を適応的にルーティングする一方、クロスエキスパート蒸留の目的は、専門家の専門性を犠牲にすることなく知識共有を可能にする。
PharmaDB、DDInter、DarmBankの実験では、DarmReasonは強力な単一ビュー推論ベースラインよりも平均的なパフォーマンスを向上し、グラフベースの代替よりも競争力や優れた結果を達成すると同時に、解釈可能なルーティングベースの予測を提供する。
関連論文リスト
- DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery [11.058244885471169]
大型言語モデル (LLMs) は、薬物発見研究の最前線にある。
DrugPlayGroundは、LCMのパフォーマンスを評価し、ベンチマークするフレームワークである。
論文 参考訳（メタデータ） (2026-02-11T19:16:33Z) - PathReasoner-R1: Instilling Structured Reasoning into Pathology Vision-Language Model via Knowledge-Guided Policy Optimization [6.821738567680833]
PathReasonerは,WSI推論の最初の大規模データセットである。
PathReasoner-R1は、教師付き微調整と推論指向の強化学習を相乗し、構造化されたチェーン・オブ・シント機能を注入する。
実験により、PathReasoner-R1はPathReasonerと公開ベンチマークの両方で、様々な画像スケールで最先端のパフォーマンスを達成することが示された。
論文 参考訳（メタデータ） (2026-01-29T12:21:16Z) - Knowledge-Augmented Long-CoT Generation for Complex Biomolecular Reasoning [51.673503054645415]
生体分子機構は、分子間相互作用、シグナルカスケード、代謝経路の多段階的推論を必要とする。
既存のアプローチはしばしばこれらの問題を悪化させる: 推論ステップは生物学的事実から逸脱したり、長い機械的依存関係を捉えるのに失敗する。
本稿では,LLMと知識グラフに基づくマルチホップ推論チェーンを統合したLong-CoT推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-11T09:26:32Z) - MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。
まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。
次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
論文 参考訳（メタデータ） (2025-10-24T02:11:05Z) - DrugMCTS: a drug repurposing framework combining multi-agent, RAG and Monte Carlo Tree Search [10.123162419093973]
DrugMCTSは、RAG、マルチエージェントコラボレーション、薬物再配置のためのMonte Carlo Tree Searchを統合する新しいフレームワークである。
分子情報やタンパク質情報を検索・解析する5つの専門的なエージェントを駆使し、構造的かつ反復的な推論を可能にする。
本結果は,構造化推論,エージェントによる協調,フィードバックによる探索機構の重要性を強調した。
論文 参考訳（メタデータ） (2025-07-10T04:39:55Z) - Case-Based Reasoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction [34.63988064222427]
CBR-DDIは、歴史的事例から薬理学の原則を抽出し、DDIタスクを改善する新しい枠組みである。
CBR-DDIは、LLMを利用して薬理学的洞察とグラフニューラルネットワーク(GNN)を抽出し、薬物関連をモデル化する知識リポジトリを構築している。
大規模な実験により、CBR-DDIは最先端のパフォーマンスを実現し、精度は28.7%向上した。
論文 参考訳（メタデータ） (2025-05-29T03:20:53Z) - Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳（メタデータ） (2023-11-15T06:34:00Z) - KGML-xDTD: A Knowledge Graph-based Machine Learning Framework for Drug
Treatment Prediction and Mechanism Description [11.64859287146094]
KGML-xDTD(知識グラフに基づく機械学習フレームワーク)を提案する。
グラフベースの強化学習プロセスにおける中間指導として,知識と公開に基づく情報を活用し,生物学的に意味のある「実証経路」を抽出する。
論文 参考訳（メタデータ） (2022-11-30T17:05:22Z) - 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)
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。