BiBLDR：用于药物重定位的双向行为学习
机器学习
2025-06-02 v1 人工智能
摘要
药物重定位旨在为现有药物确定潜在的新适应症，以减少与新药开发相关的时间和资金成本。大多数现有的基于深度学习的药物重定位方法主要利用基于图的表示。然而，由于缺乏与疾病的关联信息，基于图的药物重定位方法在涉及新药的冷启动场景中难以进行有效推理。与传统的基于图的方法不同，我们提出了一种用于药物重定位的双向行为学习策略，称为 BiBLDR。这一创新框架将药物重定位重新定义为行为序列学习任务，以捕获药物与疾病之间的交互模式。首先，我们基于药物和疾病两侧构建双向行为序列。对双向信息的考虑确保了对行为序列更细致和严谨的刻画。随后，我们提出了一种两阶段的药物重定位策略。在第一阶段，我们构建原型空间来表征药物和疾病的表示属性。在第二阶段，利用这些细化的原型和双向行为序列数据来预测潜在的药物-疾病关联。基于这种学习方法，模型能够更稳健、更精确地从双向行为序列中捕获药物与疾病特征之间的交互关系。大量实验表明，我们的方法在基准数据集上取得了 SOTA 的性能。同时，与以往方法相比，BiBLDR 在冷启动场景中表现出显著优越的性能。我们的代码发布在 https://github.com/Renyeeah/BiBLDR。
引用
@article{arxiv.2505.23861,
title = {BiBLDR: Bidirectional Behavior Learning for Drug Repositioning},
author = {Renye Zhang and Mengyun Yang and Qichang Zhao and Jianxin Wang},
journal= {arXiv preprint arXiv:2505.23861},
year = {2025}
}