摘要
针对生物医学文献异构且增长迅速导致药物 - 疾病关系表征困难的问题，本文提出 UniD$^3$框架。该框架整合大语言模型与知识图谱增强的检索生成（KG-RAG）技术，通过双阶段策略从海量文献中提取并构建知识图谱，支持药物匹配、疗效评估及靶点分析。实验表明，相比独立 LLM，该方法显著减少了幻觉，生成的结构化数据集在外部基准和医生评审中均表现出高可靠性与可解释性，为 AI 驱动的药物发现提供了可扩展方案。
AI 推荐理由
论文核心利用 KG-RAG 增强药物 - 疾病关系的推理与验证，显著减少幻觉并提升证据支撑能力。
研究机构
佛罗里达大学健康结果与生物医学信息学系，美国
休斯顿梅奥诊所生物信息学与计算生物学中心，美国
康奈尔大学威尔医学院心血管外科，美国
印第安纳大学医学院生物统计学与健康数据科学系，美国
论文信息