大语言模型结合生物医学知识图谱实现机制驱动的治疗优先级排序
人工智能
2026-04-23 v1
摘要
药物重定位通常被构建为候选药物识别任务，但现有方法在区分生物学上合理的候选药物与历史上连接性高的候选药物方面提供的指导有限。在此我们介绍DrugKLM，这是一个将生物医学知识图谱结构与基于大语言模型的机制推理相结合的混合框架，以实现机制驱动的治疗优先级排序。在多个基准数据集上，DrugKLM的表现优于仅使用知识图谱和仅使用语言模型的基线方法，包括TxGNN。除了召回率的提升外，DrugKLM的置信度分数表现出与分子表型的功能一致性：较高的分数与12种TCGA癌症中生存期改善相关的转录特征相关联。该评分框架优先捕获生物学扰动信号，而非历史适应症模式。跨五种癌症的专家审查进一步揭示了优先级排序行为的系统性差异，DrugKLM提升了那些有连贯机制依据和疾病特异性临床背景支持的候选药物。综上所述，这些结果确立了DrugKLM作为一个证据整合框架，能够将异构生物医学数据转化为机制上可解释且临床上有根据的治疗假设。
引用
@article{arxiv.2604.19815,
title = {Large Language Models Meet Biomedical Knowledge Graphs for Mechanistically Grounded Therapeutic Prioritization},
author = {Chih-Hsuan Wei and Chi-Ping Day and Zhizheng Wang and Christine C. Alewine and Betty Tyler and Hasan Slika and David Saraf and Chin-Hsien Tai and Joey Chan and Robert Leaman and Zhiyong Lu},
journal= {arXiv preprint arXiv:2604.19815},
year = {2026}
}
备注
24 pages, 5 figures in main text