Challenges in Computational Drug-Drug Interaction Prediction: A Survey
Notice bibliographique
Résumé
Polypharmacy, exacerbated by aging populations and global health crises, underscores the need for accurate drug-drug interaction (DDI) prediction.This review article offers a thorough analysis of the latest advancements in machine learning (ML) models for predicting DDIs.The review zeroes in on the progress made since 2020, a notable period characterized by a significant increase in both the volume of drug-related datasets and the sophistication of deep learning (DL) techniques.We meticulously examine various dataset sources pivotal in the development of these models and delve into the methodologies employed for featurizing molecular structures and biological data.The article further explores a range of DL models and graph neural networks, assessing their efficacy in the accurate prediction of DDIs.Through a comparative analysis, we elucidate the strengths, limitations, and potential challenges faced by these models.Crucially, the review underscores the necessity of incorporating comprehensive clinical and biochemical factors to augment the real-world applicability and accuracy of DDI predictions.This comprehensive overview not only sheds light on the current state of DDI predictive modeling but also paves the way for future research directions, emphasizing the need for more advanced, adaptable models in the dynamic landscape of polypharmacy and drug interactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,006 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».