本文介绍了一种使用RoBERTa语言模型和监督学习自动识别科学文献中膳食补充剂和药物的相互作用的方法，并创建了SUPP.AI 应用程序，用于帮助研究人员、临床医生和消费者发现最新的相互作用证据。
Sep, 2019
本研究旨在构建一个知识图谱以研究阿尔茨海默病（AD）与化学物质、药物和膳食补充剂之间的关系，从而识别预防或延缓神经退行性进展的机会，结果表明我们的图形挖掘模型可以预测AD和其他实体之间的可靠新关系。
Feb, 2022
为了帮助医生识别有效的药物联合治疗方案，我们构建了一个专家注释的数据集，用于从科学文献中提取药物联合治疗方案的疗效信息。除了实际应用之外，该数据集还提出了一个独特的NLP挑战，作为第一个由可变长度关系组成的关系提取数据集，这种数据集中的关系主要需要超越句子级别的语言理解，增加了此任务的挑战性。我们提供了一个有前途的基线模型，并确定了进一步改进的明显领域。我们公开发布我们的数据集、代码和基线模型，以促进NLP社区参与该任务。
May, 2022
通过利用药物再定位候选药物的技术潜力和科学证据，通过构建科学生物医学知识图谱和药物专利知识图谱的关联关系，并使用图嵌入协议来评估与目标疾病相关的专利的技术潜力，本研究旨在桥接计算发现与药物再定位研究中成功的市场应用之间的差距。
Sep, 2023
通过自然语言处理从科学文献中挖掘非结构化文本作为知识图谱的数据源，探讨了利用自然语言处理构建和分析知识图谱在药物发现领域的前景和陷阱。
Oct, 2023
通过研究药物再利用的假设生成工具，并结合基于实验室实验和生物医学文献的半自动解析的验证流程，本文介绍了一种基于生物医学知识图谱和超图表示学习的计算方法，用于推断各种长度的生物通路的上下文嵌入，并评估药物在多种疾病的再利用潜力。
Nov, 2023
通过知识图谱中的生物医学领域信息，使用深度学习技术和图神经网络，基于药物的图表示，预测和解释药物之间的潜在相互作用，以弥补已知药物之间相互作用稀缺性的不足，在药物交互作用预测中取得了领先的性能，促进了生物医学和医疗保健的发展。
RNA-KG是一个包含来自50多个公共数据库的RNAs的生物知识图谱，集成了与基因、蛋白质和化学物质的功能关系以及本体论基础的生物医学概念；通过利用基于实例的语义抽象知识模型生成RNA-KG，并对其进行拓扑分析，RNA-KG可以被直接探索、可视化，或通过计算方法推断其异质节点和边缘中的生物医学知识。
利用生物医学知识图谱（KG）中的链接预测能够预测实体之间的未知相互作用，包括药物靶标相互作用（DTI）和药物药物相互作用（DDI），该研究提出了一种去噪链接预测框架（DenoisedLP），以在可学习的方式下，从局部子图中得到可靠的相互作用，并通过模糊冲突关系来强调信息有用的相互作用，通过实验结果验证了其在DTI和DDI预测任务上的优越性和去噪不可靠相互作用对受污染KG的有效性和鲁棒性。
Dec, 2023
通过结合网络医学方法和基于GenAI的ChatGPT智能引擎，该研究构建了一个多层次的网络，通过实时提取临床试验中的药物信息并与疾病特定的信号通路相连接，为复杂疾病（如癌症和阿尔茨海默病）生成药物组合疗法，展示了基于真实世界证据的药物“再利用”潜力以及可以进一步研究的领域。
Jun, 2024