LLMs用于药物-药物相互作用预测：全面比较
机器学习
2025-02-12 v1 人工智能
定量方法
摘要
现代治疗方案中药物组合的数量日益增加，亟需可靠的方法来预测药物-药物相互作用（DDI）。尽管大型语言模型（LLM）在各个领域取得了革命性进展，但其在制药研究中，特别是DDI预测中的潜力仍未得到充分探索。本研究全面检验了LLM在DDI预测中的能力，通过独特地将分子结构（SMILES）、靶向生物体以及基因相互作用数据作为原始文本输入来处理最新的DrugBank数据集。我们评估了18种不同的LLM，包括专有模型（GPT-4、Claude、Gemini）和开源变体（从1.5B到72B参数），首先评估其在DDI预测中的零样本能力。随后对选定模型（GPT-4、Phi-3.5 2.7B、Qwen-2.5 3B、Gemma-2 9B和Deepseek R1 distilled Qwen 1.5B）进行微调以优化其性能。我们的全面评估框架包括跨越13个外部DDI数据集的验证，与传统方法如l2正则化逻辑回归进行比较。经微调的LLM表现优异，Phi-3.5 2.7B在DDI预测中实现了0.978的灵敏度，在平衡数据集（50%阳性、50%阴性案例）上实现了0.919的准确率。这一结果超越了零样本预测和用于DDI预测的最先进机器学习方法。我们的分析表明，LLM能够有效捕获复杂的分子相互作用模式以及药物对共用基因靶点的案例，使其成为制药研究和临床应用中有价值的工具。
引用
@article{arxiv.2502.06890,
title = {LLMs for Drug-Drug Interaction Prediction: A Comprehensive Comparison},
author = {Gabriele De Vito and Filomena Ferrucci and Athanasios Angelakis},
journal= {arXiv preprint arXiv:2502.06890},
year = {2025}
}