論文の概要: ColdDDI: Evaluating Knowledge Utilization in Cold-Start Drug-Drug Interaction Prediction

• arxiv url: http://arxiv.org/abs/2610.05590v1
• Date: Sun, 04 Oct 2026 22:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 12:42:33.643892
• Title: ColdDDI: Evaluating Knowledge Utilization in Cold-Start Drug-Drug Interaction Prediction
• Title（参考訳）: ColdDDI:コールドスタートドラッグ相互作用予測における知識利用の評価
• Abstract要約: 我々は、CardBank 5.1.13で開発された診断ベンチマークであるColdDDIを紹介し、承認された1,900個の小分子薬と565,731個の陽性DDIペアについて紹介する。 ColdDDIは知識アクセスのみではなく知識利用を評価し、コールドスタートDDIモデルが機械的証拠に依存している場所と、それを受け取っているにもかかわらず失敗する場所を示す。
• 参考スコア（独自算出の注目度）: 19.86970996431362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cold-start drug-drug interaction (DDI) prediction tests whether models can identify clinically significant interactions for drugs without training-time interaction history. Existing benchmarks mostly report aggregate edge-prediction scores, leaving a key evaluation question unanswered: when models receive molecular, textual, or knowledge-graph (KG) evidence, do they actually use the evidence that pharmacologically supports the interaction? We introduce ColdDDI, a reconstructible diagnostic benchmark built from DrugBank 5.1.13, with 1,900 approved small-molecule drugs and 565,731 positive DDI pairs. ColdDDI evaluates pairs with zero, one, or two unseen drugs. It also annotates each interaction by whether it changes drug exposure or drug effect, and by whether the biomedical knowledge graph contains shared enzymes, transporters, or targets that can plausibly mediate the interaction. These annotations separate evidence availability from predictive dependence. We evaluate eight conventional DDI methods and 13 LLMs; for open-weight LLMs, we test five prompt patterns and use masking, drug replacement, and channel-sensitivity metrics to probe knowledge utilization. ColdDDI exposes that, in the hardest split where both drugs are unseen, the main performance divide is mediator availability. A fine-tuned 1B LLM recovers 89-93% of interactions with a shared enzyme, transporter, or target, but only 40-62% without such a mediator. More importantly, KG-provided evidence is not always used; several KG-augmented baselines change little when the shared mediator is masked or disrupted, whereas fine-tuned LLMs respond strongly to this intervention. Thus, ColdDDI evaluates knowledge utilization rather than knowledge access alone, showing where cold-start DDI models rely on mechanistic evidence and where they fail despite receiving it. Code is available at https://github.com/0217ljh/ColdDDI-NeurIPS2026.
• Abstract（参考訳）: コールドスタート・ドラッグ・インタラクション(DDI)は、トレーニング・タイムの相互作用履歴なしで、モデルが臨床的に重要な相互作用を識別できるかどうかを予測する。 モデルが分子、テキスト、知識グラフ(KG)のエビデンスを受け取り、薬理学的に相互作用を支えているという証拠を実際に使っているのか? 我々は、DedBank 5.1.13から構築された再構成可能な診断ベンチマークであるColdDDIを導入し、1,900の承認された小分子薬と565,731の陽性DDIペアを紹介した。 ColdDDIは、ゼロ、1、または2つの目に見えない薬物のペアを評価する。 また、薬物曝露や薬物効果を変えるか、生体医学知識グラフに共有酵素、トランスポーター、あるいは相互作用を合理的に仲介できる標的を含むかによって、それぞれの相互作用に注釈を付ける。 これらのアノテーションは、予測依存から証拠を分離する。 オープンウェイトLLMでは,5つのプロンプトパターンを試験し,マスキング,薬物補充,チャネル感度の指標を用いて知識利用を探索する。 ColdDDIは、両方の薬が目に見えない最も難しい分割では、主要なパフォーマンス差はメディエータの可用性である、と明らかにしている。 微調整された1B LLMは、共有酵素、トランスポーターまたは標的との相互作用の89-93%を回収するが、そのようなメディエーターなしではわずか40-62%である。 さらに重要なことに、KGによる証拠は必ずしも使われておらず、共有メディエーターがマスクされたり破壊されたりすると、いくつかのKGによるベースラインがほとんど変化しないが、微調整LDMはこの介入に強く反応する。 このように、ColdDDIは知識アクセスのみではなく知識利用を評価し、コールドスタートDDIモデルが機械的証拠に依存している場所と、それを受け取っても失敗する場所を示す。 コードはhttps://github.com/0217ljh/ColdDDI-NeurIPS2026で公開されている。

関連論文リスト

• Benchmarking drug-drug interaction prediction methods: a perspective of distribution changes [39.36376787741314]
  DDI-Benは、分散変更の下でのDDI予測の出現のためのベンチマークフレームワークである。 既存のほとんどのアプローチは,分布変化による性能劣化に悩まされていることを示す。 分析の結果,大規模言語モデル(LLM)に基づく手法と薬物関連テキスト情報の統合は,そのような劣化に対して有望な堅牢性をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-10-24T09:35:34Z)
• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• Accurate and interpretable drug-drug interaction prediction enabled by knowledge subgraph learning [39.66471292348325]
  本稿では,薬物と薬物の相互作用の潜在的な発見という課題に対処するグラフニューラルネットワークを用いたKnowDDIを提案する。 KnowDDIは、大きなバイオメディカル知識グラフからリッチな近隣情報を適応的に活用することで、薬物表現を強化する。 元々のオープンソースツールであるKnowDDIは、さまざまな関連するインタラクション予測タスクにおいて、可能なインタラクションを検出するのに役立ちます。
  論文  参考訳（メタデータ） (2023-11-25T15:44:28Z)
• DDI Prediction via Heterogeneous Graph Attention Networks [0.0]
  ポリファーマシー(英: Poly Pharmacy)は、複数の薬物を併用すること。 薬物と薬物の相互作用 (DDI) は、ある薬物の作用が他の薬物と結合した場合に起こる活動である。 薬物と薬物の相互作用を予測するための新しい異種グラフアテンションモデルであるHAN-DDIを提案する。
  論文  参考訳（メタデータ） (2022-07-12T16:59:06Z)
• 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)
• 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。