K-Paths：基于图路径推理的药物重定位与药物相互作用预测
机器学习
2025-05-30 v3 计算与语言
生物大分子
摘要
生物医学知识图谱 (KG) 编码了对药物发现任务至关重要的丰富结构化信息，但由于其结构复杂，从大规模 KG 中提取有意义的见解仍具挑战性。现有的生物医学子图检索方法专为图神经网络 (GNN) 设计，限制了与其他范式（包括大语言模型 (LLM)）的兼容性。我们引入了 K-Paths，这是一个模型无关的检索框架，可从密集的生物医学 KG 中提取结构化、多样化且具有生物学意义的多跳路径。这些路径能够预测未观测到的药物-药物和药物-疾病相互作用，包括涉及训练期间未见实体的相互作用，从而支持归纳推理。K-Paths 无需训练，并采用 Yen 算法的多样性感知自适应，提取查询实体间 K 条最短无环路径，优先考虑生物学相关且关系多样的连接。这些路径作为简洁、可解释的推理链，可直接与 LLM 或 GNN 集成，以提高泛化能力、准确性并实现可解释推理。在基准数据集上的实验表明，K-Paths 提高了最先进 LLM 的零样本推理能力。例如，Tx-Gemma 27B 在相互作用严重性预测和药物重定位任务上分别提高了 19.8 和 4.0 个 F1 点。Llama 70B 在相同任务上分别提高了 8.5 和 6.2 个点。K-Paths 还通过将 KG 规模缩减 90% 同时保持预测性能，提升了 EmerGNN（一种最先进的 GNN）的训练效率。除了效率之外，K-Paths 弥合了 KG 与 LLM 之间的差距，实现了可扩展且可解释的 LLM 增强科学发现。我们发布了代码和检索到的路径，作为归纳推理的基准。
引用
@article{arxiv.2502.13344,
title = {K-Paths: Reasoning over Graph Paths for Drug Repurposing and Drug Interaction Prediction},
author = {Tassallah Abdullahi and Ioanna Gemou and Nihal V. Nayak and Ghulam Murtaza and Stephen H. Bach and Carsten Eickhoff and Ritambhara Singh},
journal= {arXiv preprint arXiv:2502.13344},
year = {2025}
}