面向 O.O.D. 通用药物协同预测的图大语言模型
机器学习
2026-05-29 v1 多媒体
摘要
药物协同预测（DSP）旨在识别在各种细胞背景下具有不同靶点的高效药物组合。然而，新型化合物的不断涌现导致分子骨架和大小变化，使药物协同数据相对于拓扑结构呈现离群分布（O.O.D.）偏移。现有研究依赖于分布内（I.D.）假设，无法处理 O.O.D. 偏移。为解决此问题，我们首次通过图大语言模型研究离群分布（O.O.D.）通用药物协同预测。然而，O.O.D. 通用 DSP 极具挑战性，提出了多个难题：i）如何发现针对细胞靶点而言结构相关与不相关的分子表示；ii）如何找到准确计算分子表示的最优图神经网络架构；iii）如何联合利用分子结构和语义信息。为此，我们提出 OOD-GraphLLM，一个新型图 LLM 框架，能够通过统一方式联合优化分子图表示和医学语义语言表示，在 O.O.D. 设置下准确预测药物协同。此外，我们微调 DrugSyn-LLM，采用检索增强的医学指令调优策略，将分子拓扑信息与分子语义信息与基于语言的推理对齐，以实现 O.O.D. 通用 DSP。源代码（https://github.com/EkkoXiao/Bio-GraphLLM）和发布模型（https://mn.cs.tsinghua.edu.cn/bio-graphllm/）已公开，用户可下载模型资源并通过网页界面交互使用。
引用
@article{arxiv.2605.30247,
title = {OOD-GraphLLM: Graph Large Language Model for Out-of-Distribution Generalized Drug Synergy Prediction},
author = {Xin Wang and Linxin Xiao and Yang Yao and Wenwu Zhu},
journal= {arXiv preprint arXiv:2605.30247},
year = {2026}
}
备注
12 pages, 9 figures, ACM KDD 2026