大家好，今天分享这篇名为 "DDI-GPT: Explainable Prediction of Drug-Drug Interactions using Large Language Models enhanced with Knowledge Graphs"的文章，该文章于昨天仅作为预印本供研究者参考，目前尚未正式发表。
文章由来自Weill Cornell Medicine、Cornell University、AstraZeneca和北京大学第三医院等机构的研究团队合作完成，重点介绍了一种名为DDI-GPT的深度学习框架，用于预测和解释药物-药物相互作用（Drug-Drug Interactions, DDIs）。
-
引入 DDI-GPT，这是一个结合知识图谱和大型语言模型 (LLM) 来预测和解释**药物 - 药物相互作用 (DDI)**的尖端框架，解决药物安全中的关键挑战。
-
DDI-GPT 达到了最先进的准确率，AUROC 为0.964，在新整理的FDA 数据集上的零样本预测中比CASTER等其他方法高出14%。
-
该模型将精选图表中的结构化生物医学知识整合到 LLM 中，从而实现丰富的情境感知预测。其新颖的“句子树”方法保留了输入数据的关系拓扑，以获得高质量的结果。
-
除了预测之外，DDI-GPT 还通过基因重要性评分和通路富集分析提供可解释性，为涉及布鲁顿酪氨酸激酶 (BTK) 抑制剂的相互作用提供机制见解。
-
经过独立数据集的验证，DDI-GPT 可以有效地识别现实案例中的DDI，并显示出在预测研究不足或新药物的相互作用方面的稳健性。
-
该框架通过动态 DDI 分析的交互式工具支持临床决策，包括蛋白质-蛋白质相互作用和不良反应联系的网络可视化。
-
DDI-GPT 将数据驱动的预测与可解释的见解相结合，体现了药物安全研究的未来，这对于精准医疗至关重要。
药物-药物相互作用（DDI）是药物开发中的关键安全问题。传统的研究方法通常依赖于已知的实验数据，难以处理尚未充分研究或数据稀缺的药物。DDI-GPT 的目标是利用知识图谱和深度学习技术提前预测潜在的药物相互作用，为患者安全提供保障。
作者的主要研究内容
- 知识图谱构建：
-
DDI-GPT 使用 iBKH 知识图谱，整合了药物靶点、代谢酶、通路、药理分类等多层次信息。
-
图谱包含129,361 个实体 和4,033,682 个关系。
- 模型架构：
-
知识模块
将药物对在知识图谱中的信息转换为句子树，以丰富语义表示。
-
预测模块
基于 BioGPT-2 架构进行训练，利用 TwoSIDES 数据集优化模型。
-
解释模块
通过重要性评分和路径富集分析揭示预测背后的生物学机制。
- 零样本预测：
- 将训练后的 DDI-GPT 应用于 FDA 数据集中的 9480 条 DDI 记录，包括 442 种不同药物，进行模型外推。
💻在线server：https://pyvisddi-24u28afk4upfhpvclyujvs.streamlit.app/
💻代码： https://github.com/Mew233/ddigpt
DDI-GPT 通过将知识图谱与大型语言模型相结合，显著提升了药物-药物相互作用预测的准确性和解释性，为药物安全研究提供了强大的工具。未来可通过整合个体化数据（如基因突变）进一步优化模型性能，实现更精准的医疗预测。
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。