arXiv cs.AI· Zijie Liu, Hongxuan Li, Zhen Tan, Jinhao Duan, Baixiang Huang, Zunpeng Liu, Kai Shu, Tianlong Chen·· 12 小时前AI 评分26
DrugReason：融合知识图谱与语言证据的多视图推理框架，用于药物重定位
DrugReason: Dynamic Multi-View Reasoning over Knowledge Graph and Language Evidence for Drug Repurposing
AI 导读
DrugReason 是一个多视图推理框架，将知识图谱的多跳推理与 LLM 生成的机制推理解答相结合用于药物重定位，并按查询上下文自适应路由到专门专家，通过跨专家蒸馏实现知识共享。在 PharmaDB、DDInter 和 DrugBank 上，其平均表现优于强单视图推理基线，与基于图的替代方法相比达到有竞争力或更优的结果，并提供可解释的路由预测。该工作入选 EMNLP 2026 主会议。
正文 · AI 翻译
摘要：药物重定位旨在为现有化合物寻找新的治疗用途，与从头药物发现相比，它能提供更快、更具成本效益的临床转化路径。然而，候选药物-疾病对的空间极其庞大，且其潜在关系往往依赖于复杂的多跳生物学机制，因此难以可靠地预测哪些配对代表真正的治疗关系。现有方法从两个方向着手：基于知识图谱的方法将经过整理生物医学证据组织成结构化关系网络，以进行有依据的多跳推理；而基于 LLM 的方法则利用预训练知识生成灵活的机制性解释。然而，两者单独使用都不充分——知识图谱局限于已观测到的图结构，而 LLM 缺乏事实依据且存在幻觉风险。为弥补这一差距，我们提出 DrugReason，一种多视图推理框架，将基于知识图谱的可靠推理与 LLM 生成的机制性推断相结合，用于药物重定位。DrugReason 根据查询上下文，将多样化的推理路径自适应地路由到专门的专家模块，同时跨专家蒸馏目标使知识共享成为可能，且不牺牲专家专精性。在 PharmaDB、DDInter 和 DrugBank 上的实验表明，DrugReason 相比强单视图推理基线提升了平均性能，并与基于图的替代方法相比取得有竞争力或更优的结果，同时提供基于路由的可解释预测。
| 评论： | EMNLP 2026 主会议 代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.06779 [cs.LG] |
| （或 arXiv:2609.06779v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.06779 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zijie Liu [查看电子邮件]
[v1]
2026年9月6日星期日 18:54:26 UTC（1,280 KB）
[v2]
2026年10月20日星期二 21:18:05 UTC（1,280 KB）
来源：arXiv cs.AI · arxiv.org