★ FEATURED ARTICLE 你对这篇生物医学与AI结合的研究总结需求很明确，既需要核心内容提炼，也需要关键部分的精准翻译，这能帮你快速掌握研究价值。文章核心是提出LLaDR框架，通过大语言模型（LLM）增强生物医学知识图谱（KG）嵌入，提升药物重定位效果。一、文章主要内容总结研究背景：药物重定位是加速复杂/罕见疾病治疗发现的关键策略，但现有方法依赖生物医学知识图谱（KG）时，忽略了实验室中的常识性生物医学概念知识（如药物与治疗的禁忌关系），导致对罕见或复杂疾病的预测可靠性不足。核心框架（LLaDR）：全称为“Large Language Model-assisted framework for Drug Repurposing”，分两大核心阶段：生成实体描述：用GPT-4等LLM为KG中所有实体（如药物、疾病、基因）生成语义丰富的文本描述，再通过Sentence-BERT等工具将描述转化为向量嵌入，与原始KG嵌入对齐存储。知识图谱微调：通过三种机制优化初始DRKG嵌入——加权平均拼接文本嵌入、几何对齐约束保留结构关系、语义一致性正则化连接符号KG与神经文本嵌入，最终生成兼具图谱拓扑准确性和文本语义深度的知识表示。实验与结果：数据集：使用DRKG数据集（含68,471个实体、101种关系、435万+三元组），按训练集:验证集:测试集=388万:42万:3.
阅读完成 · 觉得有帮助？
