OpenDDI：面向药物-药物相互作用预测的综合基准
机器学习
2026-02-03 v1
摘要
药物-药物相互作用 (DDI) 对治疗效果和患者安全具有显著影响。由于实验发现资源浪费且耗时，高效的计算方法已成为必需。主导范式将 DDI 预测表述为药物图基的链接预测任务。然而，进一步进展受到两个根本性挑战的制约：(1) 数据质量不足：大多数研究依赖小规模 DDI 数据集和单模态药物表征；(2) 标准化评估不足：场景不一致、指标差异、基线方法多样。为此，我们提出 OpenDDI，一个为 DDI 预测提供综合性基准的框架。具体而言：(1) 从数据角度看，OpenDDI 统一了 6 个广泛使用的 DDI 数据集和 2 种现有的药物表征形式，同时贡献了 3 个大规模由 LLM 增强的数据集和覆盖 5 种模态的新型多模态药物表征。(2) 从评估角度看，OpenDDI 统一了 20 套 SOTA 模型基线，覆盖 3 个下游任务，并提供数据质量、有效性、泛化、鲁棒性和效率的标准化协议。基于 OpenDDI，我们进行了全面评估，得出 10 条有价值的洞见，揭示了当前方法的局限性，为这一快速演化的领域提供关键指导。我们的代码已公开于 https://github.com/xiaoriwuguang/OpenDDI。
引用
@article{arxiv.2602.00539,
title = {OpenDDI: A Comprehensive Benchmark for DDI Prediction},
author = {Xinmo Jin and Bowen Fan and Xunkai Li and Henan Sun and YuXin Zeng and Zekai Chen and Yuxuan Sun and Jia Li and Qiangqiang Dai and Hongchao Qin and Rong-Hua Li and Guoren Wang},
journal= {arXiv preprint arXiv:2602.00539},
year = {2026}
}