弥合计算-实验差距:利用大型语言模型优先考虑阿尔茨海默氏症治疗方法,基于学习模型的比较
Manqi Li1,2, Shuteng Niu3, Yifeng Xu3,4
1Department of Biostatistics and Data Science, School of Public Health, The University of Texas Health Science Center at Houston, Houston, TX, USA.
这项研究引入了一种使用大语言模型 (LLM) 的新框架,以优先考虑对阿尔茨海默病 (AD) 的药物重新定位候选者. 基于LLM的方法提高了识别潜在AD治疗方法的效率和可扩展性.
科学领域:
- 神经科学是一个神经科学.
- 药理学 药理学是指药理学的学科.
- 计算生物学 计算生物学
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,治疗选择有限.
- 药物重新利用提供了一个有希望的策略,以加速发现新的治疗方法.
- 当前的计算药物重定向方法往往产生不同的结果,在预测和实验验证之间产生差距.
研究的目的:
- 开发和验证使用大型语言模型 (LLM) 在阿尔茨海默病中药物重定向的先进优先级框架.
- 通过整合多种计算方法和基于LLM的证据合成,弥合计算预测和实验验证之间的差距.
- 为了生成一个精细和优先考虑的候选药物清单,用于阿尔茨海默病的体内验证.
主要方法:
- 系统评估三种最先进的计算方法 (TxGNN,CompGCN,RLR) 用于药物重新利用.
- 整合计算方法的优势和差异,以创建90种候选药物的统一列表.
- 利用基于LLM的代理来有效地从生物医学文献摘要中合成证据.
- 使用阿尔茨海默病患者数据,临床试验注册表和专家药理学评论进行多方面的验证.
主要成果:
- 通过整合各种计算方法,生成了90种候选药物的简化列表.
- 基于LLM的证据综合显著减少了对候选人评估的人力努力和时间.
- 该LLM驱动的框架在优先考虑重用药物方面表现出更高的效率,一致性,可扩展性和通用性.
- 验证证实了阿尔茨海默病优先考虑的候选药物的临床相关性和稳定性.
结论:
- 拟议的LLM驱动框架有效地加速了对阿尔茨海默病重定向药物的优先考虑.
- 这种方法通过弥合计算和实验差距,增强了通向可行的AD治疗的转化途径.
- 该框架的多功能性使其可以应用于除了AD之外的其他疾病的药物重定向努力.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
相关概念视频
Alzheimer's Disease: Treatment
Alzheimer's Disease: Overview
The clinical diagnosis of AD hinges on the presence of memory and other cognitive impairments. Biomarkers, such as changes in Aβ...
Improving Translational Accuracy
Improving Translational Accuracy
Cognitive Enhancers: Cholinesterase Inhibitors and NMDA Receptor Antagonists
Language and Cognition
