学习描述以预测零样本药物-药物相互作用
计算与语言
2024-03-14 v1
摘要
不良药物-药物相互作用（DDIs）可能损害同时给药的有效性，对医疗保健构成重大挑战。随着新药开发的持续，由 DDI 引起的未知不良效应的可能性日益受到关注。由于缺乏知识，传统的 DDI 预测计算方法可能无法捕捉新药的相互作用。在本文中，我们引入了一个新的问题设置，即零样本 DDI 预测，以处理新药的情况。利用来自 DrugBank 和 PubChem 等在线数据库的文本信息，我们提出了一种创新方法 TextDDI，该方法包含一个基于语言模型的 DDI 预测器和一个基于强化学习（RL）的信息选择器，能够选择简洁且相关的文本，以实现对新药的准确 DDI 预测。实证结果表明，所提出的方法在包括零样本和少样本 DDI 预测在内的多种设置下均具有优势，并且所选文本在语义上是相关的。我们的代码和数据可在 https://github.com/zhufq00/DDIs-Prediction 获取。
引用
@article{arxiv.2403.08377,
title = {Learning to Describe for Predicting Zero-shot Drug-Drug Interactions},
author = {Fangqi Zhu and Yongqi Zhang and Lei Chen and Bing Qin and Ruifeng Xu},
journal= {arXiv preprint arXiv:2403.08377},
year = {2024}
}