ドラッグリパーパシング（既存薬の新規適応発見）は時間・コスト・リスクを大幅に削減できる戦略。薬剤・タンパク質・疾患を結ぶ異種生物医学知識グラフ上で薬剤-疾患の関連を予測する手法が主流だが、ノード型・エッジ型の多様性（heterogeneity）を十分に捉えられず精度が頭打ちだった。
→ 経路自体を学習で自動探索する Meta-Graph と、状態順序を制約する causal attention を組み合わせて解決
prior score と causal attention を λ で融合し pi-greedy(pi=0.3) で経路サンプリング。学習で探索率を減衰し最適経路へ収束。
C-data set で最高 AUC 0.964（F-data set でも 0.955 で最高）。多くの指標で 3 つの SOTA に統計的有意な改善。
経路選択除去(-R)で -6.1%、因果注意除去(-S)で -2.7%、固定パスで -2.8%。両モジュールの寄与を統計的に確認。
C-data set でアルツハイマー病(AD)の候補薬を予測。上位 10 候補の予測値 0.911〜0.920。
| 順位 | 薬剤 | 予測値 | 文献 |
|---|---|---|---|
| 1 | Selegiline | 0.920 | 有 |
| 3 | Rivastigmine | 0.918 | 有 |
| 4 | Memantine | 0.914 | 有 |
| 7 | Donepezil | 0.914 | 有 |
| 8 | Tizanidine | 0.912 | 他疾患 |
| 10 | Entacapone | 0.911 | 他疾患 |
10件中 8件が AD 文献で裏付け。残る 2 件も他の神経疾患で治療関連。