DrugAgent: Multi-Agent Large Language Model-Based Reasoning for Drug-Target Interaction Prediction
作者: Yoshitaka Inoue, Tianci Song, Xinling Wang, Augustin Luna, Tianfan Fu
分类: cs.AI, cs.CL, cs.IR, cs.LG, q-bio.QM
发布日期: 2024-08-23 (更新: 2025-04-07)
备注: 15 pages, 1 figure
💡 一句话要点
DrugAgent：基于多智能体大语言模型的药物-靶标相互作用预测
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 药物-靶标相互作用预测 多智能体系统 大语言模型 可解释性 药物发现
📋 核心要点
- 现有药物-靶标相互作用预测方法缺乏可解释性，难以应用于临床决策，且难以应对复杂生物系统。
- DrugAgent利用多智能体系统，结合领域知识、机器学习预测和文献证据，实现透明且可解释的DTI预测。
- 实验表明，DrugAgent在F1分数上显著优于非推理多智能体模型，并提供了详细的人类可解释的推理过程。
📝 摘要（中文）
大型语言模型（LLM）的进步使其能够通过类人界面解决各种问题。然而，训练的局限性使其难以在需要多角度分析的场景中给出准确答案。多智能体系统能够通过整合不同视角来提高结果的一致性和可靠性。药物-靶标相互作用（DTI）预测对于药物发现至关重要，但现有方法面临复杂生物系统和缺乏临床应用所需可解释性的挑战。DrugAgent是一个用于DTI预测的多智能体LLM系统，它结合了多个专业视角和透明的推理过程。该系统通过以下方式改进了现有的多智能体框架：（1）将基于协调器的架构应用于DTI领域；（2）整合领域特定的数据源，包括机器学习预测、知识图谱和文献证据；（3）结合思维链（CoT）和ReAct（Reason+Act）框架，实现透明的DTI推理。在使用激酶抑制剂数据集进行的综合实验中，我们的多智能体LLM方法在F1分数上比非推理多智能体模型（GPT-4o mini）高出45%（0.514 vs 0.355）。通过消融研究，我们证明了每个智能体的贡献，其中AI智能体的影响最大，其次是KG智能体和搜索智能体。最重要的是，我们的方法为每个预测提供了详细的、人类可解释的推理，结合了来自多个来源的证据——这对于生物医学应用至关重要，因为理解预测背后的原理对于临床决策和法规遵从至关重要。代码可在https://anonymous.4open.science/r/DrugAgent-B2EA获取。
🔬 方法详解
问题定义：论文旨在解决药物-靶标相互作用（DTI）预测问题。现有方法的主要痛点在于缺乏可解释性，难以理解预测结果背后的生物学机制，这限制了其在临床决策和药物研发中的应用。此外，现有方法难以有效整合来自不同来源的复杂生物学信息，导致预测准确率受限。
核心思路：论文的核心思路是利用多智能体系统模拟不同领域的专家，每个智能体负责从特定角度分析DTI问题，并通过协调器进行信息整合和推理。这种方法旨在提高预测的准确性和可解释性，并能够有效利用多种数据源。
技术框架：DrugAgent采用基于协调器的多智能体架构。该架构包含多个智能体，例如AI智能体（负责机器学习预测）、KG智能体（负责知识图谱查询）和搜索智能体（负责文献检索）。每个智能体使用Chain-of-Thought (CoT) 和 ReAct (Reason+Act) 框架进行推理和行动。协调器负责接收来自各个智能体的输出，进行整合和决策，最终给出DTI预测结果。
关键创新：论文的关键创新在于将多智能体系统应用于DTI预测，并结合了CoT和ReAct框架，实现了透明且可解释的推理过程。与传统的单模型方法相比，DrugAgent能够从多个角度分析问题，并提供详细的推理过程，从而提高了预测的可信度和可解释性。此外，该系统能够有效整合来自不同数据源的信息，提高了预测的准确性。
关键设计：DrugAgent的关键设计包括：(1) 智能体的角色设计，每个智能体负责特定的任务和数据源；(2) CoT和ReAct框架的应用，用于指导智能体的推理和行动；(3) 协调器的设计，负责整合来自不同智能体的信息并做出最终决策。论文中没有明确提及具体的参数设置、损失函数或网络结构等技术细节，这些可能取决于每个智能体所使用的具体模型。
🖼️ 关键图片
📊 实验亮点
实验结果表明，DrugAgent在激酶抑制剂数据集上取得了显著的性能提升。与非推理多智能体模型（GPT-4o mini）相比，DrugAgent在F1分数上提高了45%（0.514 vs 0.355）。消融研究表明，AI智能体对性能的贡献最大，其次是KG智能体和搜索智能体。这些结果验证了多智能体系统在DTI预测中的有效性。
🎯 应用场景
DrugAgent可应用于药物发现和药物重定位等领域。通过提供可解释的DTI预测，该系统可以帮助研究人员理解药物的作用机制，加速药物研发过程，并为临床决策提供支持。此外，该系统还可以用于识别潜在的药物靶标，从而促进新药的开发。
📄 摘要（原文）
Advancements in large language models (LLMs) allow them to address diverse questions using human-like interfaces. Still, limitations in their training prevent them from answering accurately in scenarios that could benefit from multiple perspectives. Multi-agent systems allow the resolution of questions to enhance result consistency and reliability. While drug-target interaction (DTI) prediction is important for drug discovery, existing approaches face challenges due to complex biological systems and the lack of interpretability needed for clinical applications. DrugAgent is a multi-agent LLM system for DTI prediction that combines multiple specialized perspectives with transparent reasoning. Our system adapts and extends existing multi-agent frameworks by (1) applying coordinator-based architecture to the DTI domain, (2) integrating domain-specific data sources, including ML predictions, knowledge graphs, and literature evidence, and (3) incorporating Chain-of-Thought (CoT) and ReAct (Reason+Act) frameworks for transparent DTI reasoning. We conducted comprehensive experiments using a kinase inhibitor dataset, where our multi-agent LLM method outperformed the non-reasoning multi-agent model (GPT-4o mini) by 45% in F1 score (0.514 vs 0.355). Through ablation studies, we demonstrated the contributions of each agent, with the AI agent being the most impactful, followed by the KG agent and search agent. Most importantly, our approach provides detailed, human-interpretable reasoning for each prediction by combining evidence from multiple sources - a critical feature for biomedical applications where understanding the rationale behind predictions is essential for clinical decision-making and regulatory compliance. Code is available at https://anonymous.4open.science/r/DrugAgent-B2EA.