DrugCLIP: Contrastive Drug-Disease Interaction For Drug Repurposing

将一种新药从原始想法到市场通常需要十多年和数十亿美元。为了减轻这种沉重负担，一个自然的想法是重新利用已批准的药物治疗新疾病。这个过程也被称为药物再利用或药物重新定位。机器学习方法展示了自动化药物再利用的巨大潜力。然而，它仍然面临一些挑战，例如缺乏标签和多模态特征表示。为了解决这些问题，我们设计了DrugCLIP，一种先进的对比学习方法，以学习药物和疾病的相互作用而不需要负面标签。此外，我们基于真实世界的临床试验记录策划了一个药物再利用数据集。我们进行了彻底的实证研究，以验证所提出的DrugCLIP方法的有效性。

本论文旨在解决药物再利用（drug repurposing）中的标签不足和多模态特征表示等挑战，提出了一种名为DrugCLIP的对比学习方法，用于学习药物和疾病的相互作用。

DrugCLIP是一种对比学习方法，可以在没有负标签的情况下学习药物和疾病的相互作用，同时使用真实世界的临床试验记录构建药物再利用数据集。

论文使用真实世界的临床试验记录构建了药物再利用数据集，并通过实验证实了DrugCLIP方法的有效性。此外，论文还提供了开源代码。

在相关研究方面，最近的研究包括使用深度学习进行药物再利用的方法，如GraphDTA和DTINet。