近日，清华大学姚权铭副素养团队提议了一套全新的药物相互作用预计挨次——CBR-DDI 框架。这项商议初度把临床大夫常用的“参考过往病例”（CBR体育游戏app平台，Case-Based Reasoning）挨次引入到大言语模子（LLM，Large Language Model）中，权贵提高了药物相互作用预计的准确性和可证明性。实验标明，CBR-DDI 框架大要让模子在两个主流数据集上的准确率平均提高 28.7%，向上了大言语模子和 CBR 基线。

日前，商酌论文以《案例推理可提高大言语模子在药物相互作用预计中的才能》(Case-Based Resoning Enhances the Predictive Power of LLMs in Drug-Drug Interaction) 为题发表在预印本网站arXiv[1]。

药物相互作用（DDI，Drug–Drug Interaction）是指两种或多种药物共同使用时，可能产生的疗效增强、反作用增多致使危急响应。准确预计 DDI 对医疗安全至关进击：它能匡助大夫幸免处方突破，也能在新药研发时提前识别潜在风险，从而从简遍及的临床历练本钱。

但 DDI 的预计极具挑战性。药物之间可能通过代谢酶竞争等复杂机制产生相互作用，尤其关于新药物而言，由于清寒历史数据，预计更为贫困。诚然连年来大言语模子在生物医药领域展现了后劲，但班师用于 DDI 预计时仍面对难题：着手是清寒可证明性，模子不错给出预计，却无法给出潜在药理机制，使得其可靠性大打扣头；其次是泛化才能不及，对新药物清寒先验常识，难以移动到未知场景。

该商议的灵感来自临床实施。在实验中，大夫在面对复杂病情时，每每会查阅相通的历史病例，并纠合其中的颐养教诲来推断新的有设想。CBR-DDI 恰是把这种东说念主类教诲移动的想路引入大言语模子当中。

其中枢设想是开发一个“案例常识库”，将历史药物对的交互机制系统化存储，然后在预计新药物时，通过检索和比对，让模子大要参考往时的案例。病例库中的每个药物对皆包含药物描述、药物关联、相互作用机制以及相互作用类型。其中，药物描述以过火潜在可能的相互作用机制由 LLM 生成，药物关联信息由图神经网罗由图神经网罗（GNN，Graph Neural Network）模块从常识图谱中（KGs，biomedical knowledge graph）索求的结构化常识。

CBR-DDI 的框架也诓骗了相通的挨次，着手通过大言语模子生成药物功能描述，并同期用 GNN 捕捉药物在常识图谱中的结构干系。搀和检索战术将语义相通度与结构相通度相纠合，从病例库中找到最接近的历史案例。这些病例与药物的结构干系共同构酿成“双层常识领导”，辅导大模子输出预计适度。为幸免病例库无穷扩大，团队还引入了代表性抽样战术，去除冗余样本，仅保留最具代表性的机制案例，从而兼顾效果与障翳度。

团队在两个主流数据集——DrugBankTWOSIDES上对 CBR-DDI 进行了系统考据。适度涌现在触及新药物预计的任务中，CBR-DDI 的发达全面最初，与现存的 Naive-CBR 挨次比拟，准确率提高了 28.7%。值得安稳的是，即便互助较小模子（如 Llama-3.1-8B），也能卓绝很多先进神经网罗挨次。而在大型模子（如 Llama-3.1-70B、DeepSeek-V3）的加抓下，CBR-DDI 达到了现在该领域的最好收成。

商议团队在消融实验等分析了 CBR-DDI 框架中各个模块的作用。在“双层常识增强领导”中去掉病例机制信息和药物关联信息两者其之一会导致性能下跌，零落病例机制的影响更为昭着，阐发病例推理起了进击作用。团队还通过转机语义相通度与结构相通度的权重评估搀和检索战术，发现当两者保抓均衡时，检索到的病例最为商酌，模子预计也最准确。而对代表性抽样战术的实验标明，该挨次可将病例库界限压缩向上 90%，但同期保抓预计性能。

在商议团队提供的一个示例中，模子不错检索到与 Rifabutin 与 Zopiclone 相通的药物交互机制，并由此推断出 Rifabutin 可能通过诱骗CYP2C9 和 CYP3A4 酶，加快 Zopiclone 的代谢。这阐发 CBR-DDI 不错通过整合历史医药案例，给出以药物作用机制为基础的逻辑推理，并赢得了准确可靠的适度。

现在，该预计模子还有一定局限性，即病例库以及预计只依靠笔墨信息，而莫得分子结构等数据。畴昔，团队计较进一步膨大病例库的信息，引入分子结构数据，匡助提供更准确的预计，同期为案例库中 LLM 生成的本体设想自动化的校验挨次，为每个案例提供愈加准确、深化的药理学证明。

参考辛苦：

1.https://arxiv.org/pdf/2505.23034

2.Y. Wang, Z. Yang, Q. Yao. Accurate and Interpretable Drug-drug Interaction Prediction Enabled by Knowledge Subgraph Learning.Communications Medicine.2024

3.H. Du, Q. Yao, J. Zhang, Y. Liu, Z. Wang. Customized Subgraph Selection and Encoding for Drug-drug Interaction Prediction. Annual Conference on Neural Information Processing Systems (NeurIPS). 2024

4.Z Shen, M Zhou, Y Zhang, Q Yao. Benchmarking graph learning for drug-drug interaction prediction.Arxiv. 2024.

5.Y. Zhang, Q. Yao, L. Yue, X. Wu, Z. Zhang, Z. Lin, Y. Zheng. Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network.Nature Computational Science. 2023.