面向虚拟临床试验的多模态药物感知扩散模型 MM-DADM
机器学习
2026-03-31 v3 定量方法
摘要
心血管药物开发中高失败率迫切需要通过电生理图（ECG）生成进行虚拟临床试验以降低风险和成本。然而，现有 ECG 生成模型在保持形态真实性与路径学灵活性之间难以平衡，难以紧分离人口学特征与真实药物效应，且严重受制于早期阶段数据稀缺。为克服这些挑战，我们提出了多模态药物感知扩散模型（MM-DADM），这是第一个用于生成个体化药物诱导 ECG 的生成式框架。具体而言，我们的 MM-DADM 集成了动态交叉注意力（DCA）模块，用于适性融合外部物理知识（EPK），以保持形态真实性，同时避免抑制复杂路径学细微差别。为解决特征纠缦，药物特征编码器（CFE）主动过滤人口学噪声，以提取纯粹的药理表示。这些表示随后指导因果解耦控制网络（CDC-Net），该网络利用反事实数据增强显式学习内在药理机制，尽管临床数据有限。对 例 ECG 进行 种药物方案的广泛实验表明，MM-DADM 在 项最先进的 ECG 生成模型中均表现出色，模拟精度提高至少 ，召回率提高 ，并为下游分类任务提供高度有效的数据增强。
引用
@article{arxiv.2502.07297,
title = {MM-DADM: Multimodal Drug-Aware Diffusion Model for Virtual Clinical Trials},
author = {Qian Shao and Bang Du and Zepeng Li and Qiyuan Chen and Jiahe Chen and Hongxia Xu and Jimeng Sun and Jian Wu and Jintai Chen},
journal= {arXiv preprint arXiv:2502.07297},
year = {2026}
}
备注
Under review