基于分布变化视角评估药物-药物相互作用预测方法
机器学习
2025-10-17 v5
摘要
动机: 新兴药物-药物相互作用(DDI)预测对于新药研发至关重要，但因现实场景中已知药物与新药之间的分布变化而受到阻碍。当前评估常忽视这些变化，依赖不切实际的独立同分布(i.i.d.)划分，由于缺乏药品批准数据而无法实现。结果: 我们提出了DDI-Ben，用于在分布变化情况下评估新兴DDI预测。DDI-Ben引入了分布变化模拟框架，利用药物集合之间的分布变化作为DDI实际分布变化的替代方案，兼容各种药物划分策略。通过在十个具有代表性的方法上进行广泛基准测试，我们显示，大多数现有方法在分布变化下会出现显著性能下降。我们的分析进一步表明，基于大型语言模型(LLM)的方法以及整合药物相关文本信息可提供针对性鲁健性。为支持未来研究，我们发布了带有模拟分布变化的基准数据集。总体而言，DDI-Ben凸显了在DDI预测中显式处理分布变化的重要性，并为开发更具韧性的方法提供了基础。可用性与实施:我们的代码和数据可在https://github.com/LARS-research/DDI-Bench获取。
关键词
引用
@article{arxiv.2410.18583,
title = {Benchmarking drug-drug interaction prediction methods: a perspective of distribution changes},
author = {Zhenqian Shen and Mingyang Zhou and Yongqi Zhang and Quanming Yao},
journal= {arXiv preprint arXiv:2410.18583},
year = {2025}
}