利用大语言模型扩展网络医学，实现雌激素受体阳性乳腺癌的联合药物重定位

药物再利用可加速ER阳性乳腺癌的治疗发现，但联合方案的选择仍然困难。我们开发了一种由大语言模型（LLM）驱动的网络医学框架，从595,122篇PubMed摘要中提取药物—靶点关系，构建跨模型共识网络，并将其叠加至KEGG雌激素信号通路上，从而枚举互补性药物对。候选组合通过ComboRank进行排序；该指标综合考虑通路覆盖度、LLM共识、检索增强生成（RAG）验证、跨方法一致性以及ClinicalTrials.gov中的临床试验先例。该框架鉴定出166个具有统计学显著性的药物对（FDR ≤ 0.05），其中31个具有临床试验先例；不同提取策略之间共有393个药物—靶点对，另有11个完全相同的药物对获得了通路叠加分析的额外支持。

药物再利用可加速ER+乳腺癌的治疗发现，但联合用药方案的选择仍然困难。我们开发了一种由大语言模型（LLM）驱动的网络医学框架，从595,122篇PubMed摘要中提取药物--靶点关系，构建跨模型共识网络，将其叠加至KEGG雌激素信号通路，并枚举互补药物组合。候选组合通过ComboRank进行排序；该指标综合考量通路覆盖度、LLM共识、RAG验证、跨方法一致性以及ClinicalTrials.gov中的先例。该框架鉴定出166个具有显著性的药物组合（FDR

感谢您有兴趣帮助传播bioRxiv的信息。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.14.728753v1?rss=1

🏷️ 大语言模型 网络医学 药物重定位 联合用药 雌激素受体阳性乳腺癌 药物—靶点网络