从知识到治疗：大型语言模型辅助的生物医学概念表示用于药物再定位
摘要
药物再定位在加速 complex and rare 疾病的治疗发现中发挥关键作用。生物医学知识图谱 (KGs) 因编码丰富临床关联而被广泛采用以支持这一任务。然而，现有方法很大程度上忽略了真实实验室中常见的 common-sense 生物医学概念知识，例如 certain drugs fundamentally incompatible with specific treatments 的机制性先验。为此，我们提出 LLaDR (Large Language Model-assisted framework for Drug Repurposing)，以改进生物医学概念在 KGs 中的 representation。具体而言，我们从大型语言模型 (LLMs) 中提取生物医学实体的 semantics-enriched treatment-related textual representations，并用于 fine-tune 知识图谱嵌入 (KGE) 模型。通过将 treatment-relevant knowledge 注入 KGE，LLaDR 大幅提高了生物医学概念的 representation，增强了对 under-studied 或 complex indications 的语义理解。基于 benchmarks 的实验表明，LLaDR 在不同情景下均实现了 state-of-the-art 性能，Alzheimer's disease 的 case studies 进一步确认了其 robust 和 effectiveness。代码可在 https://github.com/xiaomingaaa/LLaDR 获取。
引用
@article{arxiv.2510.12181,
title = {From Knowledge to Treatment: Large Language Model Assisted Biomedical Concept Representation for Drug Repurposing},
author = {Chengrui Xiang and Tengfei Ma and Xiangzheng Fu and Yiping Liu and Bosheng Song and Xiangxiang Zeng},
journal= {arXiv preprint arXiv:2510.12181},
year = {2025}
}
备注
16 pages, 4 figures, 13 tables. Accepted by EMNLP 2025 (Findings)