薬剤相乗効果の予測は、癌などの複雑な疾患に対する効果的な併用療法の開発において重要なタスクです。従来の方法は、薬剤の特性と結果との間の統計的相関に依存するブラックボックス型の予測器として機能していました。これに対処するために、著者らはCausalDDSという新しいフレームワークを提案し、薬剤分子を因果的およびスプリアスなサブ構造に分離します。因果サブ構造に焦点を当てることで、冗長な特徴の影響を軽減し、モデルの精度と解釈可能性を向上させます。CausalDDSは条件付き介入メカニズムを採用し、ペアの分子構造に基づいて介入を行います。実験により、特にコールドスタートや分布外の設定で既存のモデルよりも優れた性能を示し、薬剤相乗効果の基盤となる重要なサブ構造を特定する能力も確認されています。この成果は、薬剤相乗効果の予測や薬剤発見におけるCausalDDSの実用性を示しています。