DrugBank
PulseAugur coverage of DrugBank — every cluster mentioning DrugBank across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架DrugReason结合知识图谱和LLM进行药物再利用
研究人员开发了DrugReason，一个旨在通过整合知识图谱推理和大型语言模型（LLM）见解来增强药物再利用的新型框架。这种方法解决了单独使用任一方法的局限性，因为知识图谱可能受限于现有结构，而LLM在没有事实依据的情况下可能会产生幻觉。DrugReason自适应地将推理路径路由到专业专家，并使用跨专家蒸馏进行知识共享，在PharmaDB、DDInter和DrugBank等数据集上展示了改进的性能。
-
新AI框架增强药物-靶点相互作用预测
研究人员开发了ProbeMatchDTI，一个旨在增强AI驱动的药物发现中药物-靶点相互作用（DTI）预测的新框架。该方法通过采用一种探针驱动的模式策略，解决了现有方法可能忽略细微但重要的生化信号的局限性。该框架利用IterProbe和BindingProbe来更好地捕捉弱生化模式并在多尺度上模拟跨实体互补性，从而提高了在BindingDB和DrugBank等基准数据集上的预测准确性。
-
ProbeMatchDTI 通过捕获微弱的生化信号增强 AI 药物发现能力
研究人员开发了 ProbeMatchDTI，一个旨在改进 AI 驱动的药物发现中药物-靶点相互作用 (DTI) 预测的新框架。该方法通过采用一种模式-探针驱动的策略，解决了现有方法容易忽略较弱但相关的生化信号的局限性。ProbeMatchDTI 利用 IterProbe 来保留和选择上下文状态，加强分子组件之间的关联，并利用 BindingProbe 对不同尺度的药物-蛋白质互补性进行建模。实验表明，ProbeMatchDTI 的性能…
-
新AI框架利用基因表达数据预测治疗反应
研究人员开发了PREDIKTOR，一个新颖的多视图框架，旨在利用基因表达数据预测患者特异性治疗反应。该框架将个性化基因调控网络与可转移的转录组扰动视图进行对齐。通过采用类似CLIP的对比目标和图神经网络编码器，PREDIKTOR生成嵌入，从而实现端到端的反应分类。该模型在各种数据集上表现优于现有方法，并有望用于可解释的精准肿瘤学。
-
新的T2D-Bench框架评估LLM在2型糖尿病方面的准确性
研究人员开发了T2D-Bench，一个旨在评估大型语言模型（LLM）在2型糖尿病管理方面的准确性和循证推理能力的新评估框架。该框架利用一个多层知识图谱，整合了临床指南和生活方式因素，以检查LLM输出是否符合证据要求。初步测试表明，当前的LLM，如GPT-4o-mini和GPT-4o，在相当大比例的案例中未能通过这些循证检查，凸显了此类严格评估方法对于确保可靠临床建议的必要性。
-
新型MARD模型推动药物-药物相互作用预测进展
研究人员开发了MARD（镜像增强推理蒸馏），一种用于预测机制层面药物-药物相互作用（DDIs）的新型系统。MARD利用一个7B参数模型，并包含三项关键的训练创新：用于方向标签的单Token KL散度、带有程序化硬负例的DPO以及防泄露检索通道。该方法实现了可审计的推理指标，在预测新药物对的准确性方面超越了包括GPT-4o在内的现有方法，同时成本仅为其一小部分。