A Systematic Review of Drug-Related Interactions

A Systematic Review: Drug-Related Interactions with Deep Learning and LLMs

DDI / DTI / ADR を 100+ 論文で網羅整理（ACS Omega 2025, Behrooznia & Hooshmand）

🎯 創薬パイプライン全体での薬剤安全性評価をDL/LLM技術で再構築する道筋を示す

① 背景と課題

新薬開発は10〜15年・最大2.5B$ を要し、毒性・副作用に起因する後期失敗が大きな損失要因となる。DDI（薬剤-薬剤）、DTI（薬剤-標的）、ADR（有害事象）の早期計算評価は、その失敗を前倒しで検出する有力な手段である。

既存研究は DDI / DTI / ADR を別々に扱っており、3課題を統合した end-to-end 評価フレームワークが存在しない

データセット偏り・LLMハルシネーション・3D 情報の希薄さが臨床応用への壁

→ 2020-2025 年の 100 本超の DL/ML/Graph/LLM ハイブリッド研究を整理し、現状と課題を見える化

② 手法: 4カテゴリの分類整理

レビュー対象を 4 つの方法論カテゴリに分け、それぞれの代表モデルとベンチマーク性能を一覧比較する。

DL（CNN/RNN/Transformer）
↓ ML（RF/SVM/回帰）
↓ Graph（GCN/GAT/MR-GNN）
↓ Hybrid（DL+Graph+LLM）
↓ 統合フレームワーク（提案・将来課題）

各カテゴリの代表手法を Table 3 で 100+ 論文分一覧化し、データセット・評価指標・出典を直接比較可能にする。

② 手法: NLP / LLM の役割

BioBERT・SciBERT・GPT 系モデルが文献マイニング・抄録からの DDI トリプル抽出に活用され、半教師あり学習データを自動生成する流れを整理。

100+論文

2020〜2025 年の DDI/DTI/ADR 関連を網羅

LLM 連携で文献抽出 → 関係分類 → モデル訓練の半自動パイプラインが現実化。

③ 本研究で示したこと（要点）

④ 主要結果 (a) DDI 抽出ベンチマーク

DDI-Extraction 2013 での F1（上限値で比較）

④ 主要結果 (b) DTI 予測（Davis / KIBA）

Davis MSE（低いほど良）/ KIBA CI（高いほど良）

④ 主要結果 (c) 主要データセット

本レビューで整理されたベンチマーク群

④ 主要結果 (d) 性能の頭打ち兆候

世代ごとの F1 上昇幅（DDI 抽出）が縮小

主戦場は「より良いモデル」から「より良いデータ・評価プロトコル」へ移行している、と著者は結論。

⑤ テイクホームメッセージ

📚 100+ 論文の俯瞰整理
DDI / DTI / ADR の 3 課題を同一フレーミングで比較できる初の包括的レビュー。

🤖 LLM が研究地図を変える
抄録抽出と関係分類で BioBERT・GPT 系の影響が顕著。半教師ありデータ生成が現実化。

📊 性能のプラトーが顕在化
主要ベンチマークでモデル間差が縮小し、データ品質と評価プロトコルが新しい論点に。

🧩 3課題統合の欠落が最大ギャップ
DDI/DTI/ADRを同時に扱う end-to-end フレームワークが将来課題として明示。

ケムインフォマティクスへの応用

既存 GCN/Transformer 推論モデルを scorer として組み込むだけで臨床リスクの早期検出が可能

本研究のインパクト