药物再利用——即为已批准的药物寻找新的治疗用途——通常是一种偶然和机会性的努力，旨在扩展药物在新疾病中的应用。然而，现有的药物再利用人工智能（AI）模型的临床效用仍然有限，因为这些模型仅关注已有某些药物存在的疾病。本文介绍了一种名为TxGNN的图基础模型，用于零样本药物再利用，能够识别治疗候选药物，即使对于治疗选择有限或没有现有药物的疾病也能发挥作用。TxGNN基于医学知识图谱进行训练，使用图神经网络和度量学习模块来对17,080种疾病的潜在适应症和禁忌症进行排名。在与8种方法的对比测试中，TxGNN在严格的零样本评估下，将适应症预测准确性提高了49.2%，禁忌症预测准确性提高了35.1%。为了便于模型解释，TxGNN的解释器模块提供了透明的多跳医学知识路径，这些路径构成了TxGNN的预测依据。人类对TxGNN解释器的评估表明，TxGNN的预测和解释在多个性能指标上表现令人鼓舞，而不仅仅是准确性。许多TxGNN的新预测与临床医生在大型医疗系统中之前开具的超说明书处方高度一致。TxGNN的药物再利用预测准确、与超说明书用药一致，并且可以通过多跳可解释的依据由人类专家进行调查。
(全文结束)
