Learning to Describe for Predicting Zero-shot Drug-Drug Interactions

要約

薬物間相互作用（DDI）は、薬物の同時投与の有効性を損なう可能性があり、医療において重大な課題を引き起こしています。
新薬の開発が進むにつれて、DDI に起因する未知の副作用の可能性に対する懸念が高まっています。
DDI 予測のための従来の計算手法では、知識が不足しているため、新薬の相互作用を捕捉できない可能性があります。
この論文では、新薬の場合を扱うゼロショット DDI 予測として新しい問題設定を紹介します。
DrugBank や PubChem などのオンライン データベースからのテキスト情報を活用して、言語モデル ベースの DDI 予測子と強化学習 (RL) ベースの情報セレクターを備えた革新的なアプローチ TextDDI を提案します。これにより、正確な DDI 予測のための簡潔で適切なテキストの選択が可能になります。
新薬について。
経験的な結果は、ゼロショットおよび少数ショット DDI 予測を含むいくつかの設定で提案されたアプローチの利点を示しており、選択されたテキストは意味的に関連しています。
私たちのコードとデータは \url{https://github.com/zhufq00/DDI-Prediction} で入手できます。

要約(オリジナル)

Adverse drug-drug interactions~(DDIs) can compromise the effectiveness of concurrent drug administration, posing a significant challenge in healthcare. As the development of new drugs continues, the potential for unknown adverse effects resulting from DDIs becomes a growing concern. Traditional computational methods for DDI prediction may fail to capture interactions for new drugs due to the lack of knowledge. In this paper, we introduce a new problem setup as zero-shot DDI prediction that deals with the case of new drugs. Leveraging textual information from online databases like DrugBank and PubChem, we propose an innovative approach TextDDI with a language model-based DDI predictor and a reinforcement learning~(RL)-based information selector, enabling the selection of concise and pertinent text for accurate DDI prediction on new drugs. Empirical results show the benefits of the proposed approach on several settings including zero-shot and few-shot DDI prediction, and the selected texts are semantically relevant. Our code and data are available at \url{https://github.com/zhufq00/DDIs-Prediction}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google