机构名称：
¥ 2.0
生物医学文本提供了重要数据，用于研究药物守护领域中的药物相互作用（DDIS）。尽管研究人员试图研究生物医学文本中的DDI并预测未知的DDI，但缺乏准确的手动注释会大大阻碍机器学习算法的性能。在这项研究中，为DDI（Subge-DDI）开发了一个新的DDI预测框架，即子图增强模型，以提高机器学习算法的性能。此模型使用药物对知识子图信息来实现大规模的纯文本预测，而无需进行任何注释。该模型将DDI预测视为多类分类问题，并预测每种药物对的特定DDI类型（例如，机制，效果，建议，相互作用和负面）。药物对知识子图源自包含各种公共数据集的巨大药物知识图，例如药物库，二固体，偏外，药物中心，胚胎，SMPDB（小分子途径数据库），CTD（比较毒性毒理学数据库）和Sider。从公共数据集（Semeval-2013 Task 9数据集）评估了Subge-DDI，然后与其他最先进的基线进行了比较。Subge-DDI在测试数据集中获得83.91％的微F1分数和84.75％的宏F1分数，表现优于其他最先进的基线。这些发现表明，提出的药物对知识子图辅助模型可以有效地改善生物医学文本中DDI的预测性能。
subge-ddi：药物的新预测模型
主要关键词
相关文件推荐
