DrugReasoner : Prédiction interprétable de l'approbation des médicaments avec un modèle de langage augmenté par raisonnement

DrugReasoner: Interpretable Drug Approval Prediction with a Reasoning-augmented Language Model

August 26, 2025

papers.authors: Mohammadreza Ghaffarzadeh-Esfahani, Ali Motahharynia, Nahid Yousefian, Navid Mazrouei, Jafar Ghaisari, Yousof Gheisari

cs.AI

papers.abstract

La découverte de médicaments est un processus complexe et gourmand en ressources, rendant la prédiction précoce des résultats d'approbation cruciale pour optimiser les investissements en recherche. Bien que les méthodes classiques d'apprentissage automatique et d'apprentissage profond aient montré des promesses dans la prédiction de l'approbation des médicaments, leur interprétabilité limitée restreint leur impact. Nous présentons ici DrugReasoner, un modèle de langage de grande taille (LLM) basé sur le raisonnement, construit sur l'architecture LLaMA et affiné avec l'optimisation de politique relative par groupe (GRPO) pour prédire la probabilité d'approbation des petites molécules. DrugReasoner intègre des descripteurs moléculaires avec un raisonnement comparatif contre des composés approuvés et non approuvés structurellement similaires, générant des prédictions accompagnées de justifications étape par étape et de scores de confiance. DrugReasoner a obtenu des performances robustes avec une AUC de 0,732 et un score F1 de 0,729 sur l'ensemble de validation, et de 0,725 et 0,718 sur l'ensemble de test, respectivement. Ces résultats ont surpassé les modèles de référence conventionnels, incluant la régression logistique, la machine à vecteurs de support et les k-plus proches voisins, et ont montré des performances compétitives par rapport à XGBoost. Sur un ensemble de données externe indépendant, DrugReasoner a surpassé à la fois les modèles de référence et le modèle ChemAP récemment développé, atteignant une AUC de 0,728 et un score F1 de 0,774, tout en maintenant une haute précision et une sensibilité équilibrée, démontrant ainsi sa robustesse dans des scénarios réels. Ces résultats montrent que DrugReasoner non seulement offre une précision prédictive compétitive, mais améliore également la transparence grâce à ses sorties de raisonnement, abordant ainsi un goulot d'étranglement clé dans la découverte de médicaments assistée par l'IA. Cette étude met en lumière le potentiel des LLM augmentés par le raisonnement comme outils interprétables et efficaces pour la prise de décision pharmaceutique.

English

Drug discovery is a complex and resource-intensive process, making early prediction of approval outcomes critical for optimizing research investments. While classical machine learning and deep learning methods have shown promise in drug approval prediction, their limited interpretability constraints their impact. Here, we present DrugReasoner, a reasoning-based large language model (LLM) built on the LLaMA architecture and fine-tuned with group relative policy optimization (GRPO) to predict the likelihood of small-molecule approval. DrugReasoner integrates molecular descriptors with comparative reasoning against structurally similar approved and unapproved compounds, generating predictions alongside step-by-step rationales and confidence scores. DrugReasoner achieved robust performance with an AUC of 0.732 and an F1 score of 0.729 on the validation set and 0.725 and 0.718 on the test set, respectively. These results outperformed conventional baselines, including logistic regression, support vector machine, and k-nearest neighbors and had competitive performance relative to XGBoost. On an external independent dataset, DrugReasoner outperformed both baseline and the recently developed ChemAP model, achieving an AUC of 0.728 and an F1-score of 0.774, while maintaining high precision and balanced sensitivity, demonstrating robustness in real-world scenarios. These findings demonstrate that DrugReasoner not only delivers competitive predictive accuracy but also enhances transparency through its reasoning outputs, thereby addressing a key bottleneck in AI-assisted drug discovery. This study highlights the potential of reasoning-augmented LLMs as interpretable and effective tools for pharmaceutical decision-making.