当大语言模型遇见生物医学知识图谱：机制驱动的治疗优先级排序

药物重定位通常被构建为候选识别任务，但现有方法在区分生物学上可信的候选与历史上连接良好的候选方面提供的指导有限。在此我们提出DrugKLM，一个将生物医学知识图谱结构与大语言模型机制推理相集成的混合框架，以实现机制上有依据的治疗优先级排序。在多个基准数据集上，DrugKLM优于仅用知识图谱和仅用语言模型的基线，包括TxGNN。除召回率提升外，DrugKLM的置信分数与分子表型呈现功能上的一致性：更高的分数与跨12种TCGA癌症、与生存改善相关的转录特征相关联。该打分框架优先捕捉生物学扰动信号，而非历史适应症模式。跨五种癌症的专家策展进一步揭示了排序行为的系统性差异：DrugKLM提升了那些具备连贯机制依据与疾病特异性临床背景的候选。综合来看，这些结果确立了DrugKLM作为一个证据整合框架，能将异构生物医学数据转化为机制上可解释且临床上有依据的治疗假设。