近日，上海理工大学管理学院人工智能系朱小栋副教授团队联合上海交通大学医学院公共卫生学院黄小水助理研究员团队，在国际生物医学与健康信息学领域高水平期刊 IEEE Journal of Biomedical and Health Informatics（IEEE J-BHI） 发表研究论文 “UniDrug-LLM: AReliability-Aware Multimodal LLM-based Framework for Drug Discovery”，提出一种面向药物发现的可靠性感知多模态大语言模型框架 UniDrug-LLM。
药物发现涉及分子结构、生物医学知识、三维构象以及文本描述等多源异构信息。针对现有方法中知识图谱信息缺失、不同模态可靠性不一致以及多模态信息难以有效融合等问题，研究团队构建了统一的多模态大模型框架，将多种生物医学信息转化为大语言模型可学习的统一表示，并通过可靠性感知机制实现不同模态信息的动态融合。
在模型设计上，UniDrug-LLM主要包括跨模态子空间对齐（CMSA）和跨模态正交分解网络（CMON）两项关键机制。其中，CMSA通过跨模态信息重建增强知识图谱缺失场景下的特征表达能力；CMON则进一步分离不同模态中的共享信息与特有信息，并结合样本级可靠性评估，对不同模态进行自适应加权，从而提升模型面对数据缺失和信息质量不一致等现实场景时的鲁棒性。研究采用Qwen-2.5-3B-Instruct作为多模态融合骨干，并结合LoRA实现参数高效微调。
研究团队在药物—药物相互作用（DDI）、蛋白质—蛋白质相互作用（PPI）、药物性质预测（DP）和药物—靶点相互作用（DTI）等多个任务上开展了系统实验。结果表明，UniDrug-LLM在多个公开基准数据集上取得了具有竞争力的性能。其中，在Luo数据集DDI任务上达到99.6%的AUROC和99.1%的AUPR；在SHS148k数据集PPI任务中取得88.3%的Micro-F1，较此前代表性方法提升约8.8个百分点；在ClinTox药物性质预测任务中达到98.9%的AUROC。进一步的冷启动实验表明，该模型在药物、靶点及知识图谱信息缺失等场景下仍保持较好的预测能力。
本项研究是上海理工大学管理学院人工智能系团队将长期积累的大数据管理、数据挖掘与人工智能算法技术拓展至生物医药人工智能领域的一次重要探索。朱小栋团队长期从事大数据管理与数据挖掘、人工智能算法与计算机软件等研究，此次研究聚焦多模态大模型与药物发现，将团队在人工智能与数据智能领域的研究积累进一步延伸至医学健康交叉领域。
本次合作充分发挥了上海理工大学在人工智能算法、数据挖掘与大模型技术方面的研究优势，以及上海交通大学医学院在生物医学与健康、AI赋能大健康等领域的专业积累。论文通讯作者黄小水长期从事人工智能与医疗健康交叉研究，在多模态大模型、医学人工智能等方向具有较为丰富的研究积累。双方团队围绕多模态信息融合与智能药物发现开展协同攻关，体现了“人工智能+医学”交叉融合的科研合作模式，为复杂生物医学场景下的多模态信息统一建模和智能药物发现提供了新的技术路径。
据悉，论文发表于 IEEE Journal of Biomedical andHealth Informatics（J-BHI），由IEEE（电气与电子工程师学会）主办，是生物医学与健康信息学领域的国际高水平期刊。该期刊在相关 JCR学科均位列Q1区，中科院分区医学大类位列Top期刊，计算机科学与数学计算生物学、医学信息等相关小类均为1区，具有较高的国际学术影响力。论文已正式上线IEEE Xplore。
未来，朱小栋团队将进一步围绕多模态大模型与生物医学人工智能开展研究，探索人工智能技术在药物筛选、靶点发现及真实医疗健康场景中的应用，推动人工智能与医学、生命科学等领域的深度交叉融合。
论文链接：https://ieeexplore.ieee.org/document/11647300
论文首页
论文封面
供稿人：朱小栋
图片来源：IEEE Xplore
供稿部门：人工智能系
审核：刘勇
