摘要

在本研究中，我们介绍了我们在BioCreative VII挑战赛中的DrugProt任务的工作参与情况。药物-靶点相互作用（DTIs）对于药物发现和再利用至关重要，这些信息通常需要从实验文章中手动提取。目前，PubMed上已有超过3200万篇生物医学文章，从如此庞大的知识库中手动提取DTIs是一项极具挑战性的任务。为了解决这一问题，我们为Track 1提供了一种解决方案，旨在从药物和蛋白质实体之间提取10种类型的相互作用。我们应用了一个集成分类器模型，该模型结合了最先进的语言模型BioMed-RoBERTa和卷积神经网络（CNN），以提取这些关系。尽管BioCreative VII DrugProt测试语料库存在类别不平衡的问题，我们的模型在挑战赛中的表现仍然优于平均水平，微F1得分为55.67%（而在BioCreative VI ChemProt测试语料库上的微F1得分为63%）。结果表明，深度学习在提取各种类型的DTIs方面具有巨大潜力。