Learning to Describe for Predicting Zero-shot Drug-Drug Interactions

药物间的不良相互作用（DDI）可能会损害同时服用药物的有效性，在医疗保健中构成重大挑战。随着新药物的开发不断进行，DDI导致的未知不良影响的潜在风险也越来越受到关注。传统的DDI预测计算方法可能由于缺乏知识而无法捕捉新药物的相互作用。本文提出了一个新的问题设置，即零样本DDI预测，用于处理新药物的情况。利用来自DrugBank和PubChem等在线数据库的文本信息，我们提出了一种创新方法TextDDI，其中包括基于语言模型的DDI预测器和基于强化学习（RL）的信息选择器，使得能够选择简明和相关的文本以进行准确的新药物DDI预测。实证结果显示了所提出方法在多种设置下（包括零样本和少样本DDI预测）的优势，所选文本具有语义相关性。我们的代码和数据可在\url{https://github.com/zhufq00/DDIs-Prediction}上获取。

本文旨在解决药物相互作用（DDIs）对同时使用药物的有效性构成威胁的问题，提出了一种新的零样本DDI预测问题设置，以应对新药物的情况。

本文提出了一种基于语言模型的DDI预测器和基于强化学习的信息选择器的TextDDI方法，以选择简明扼要和相关的文本进行准确的DDI预测。

实验结果表明，TextDDI方法在零样本和少样本DDI预测等多个方面具有优势，所选的文本具有语义相关性。作者已经公开了代码和数据集。

最近的相关研究包括：1）基于图神经网络的DDI预测方法；2）基于深度学习的DDI预测方法；3）基于知识图谱的DDI预测方法。