DrugReasoner: Interpretabele voorspelling van medicijn-goedkeuring met een redeneringsversterkt taalmodel

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

August 26, 2025

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

cs.AI

Samenvatting

Geneesmiddelenontdekking is een complex en resource-intensief proces, waardoor vroege voorspelling van goedkeuringsuitkomsten cruciaal is voor het optimaliseren van onderzoeksinvesteringen. Hoewel klassieke machine learning- en deep learning-methoden beloftevol zijn gebleken in het voorspellen van geneesmiddelgoedkeuring, beperkt hun beperkte interpreteerbaarheid hun impact. Hier presenteren we DrugReasoner, een op redenering gebaseerd groot taalmodel (LLM) gebouwd op de LLaMA-architectuur en verfijnd met groep-relatief beleidsoptimalisatie (GRPO) om de waarschijnlijkheid van goedkeuring van kleine moleculen te voorspellen. DrugReasoner integreert moleculaire descriptors met vergelijkende redenering tegen structureel vergelijkbare goedgekeurde en niet-goedgekeurde verbindingen, waarbij voorspellingen worden gegenereerd samen met stapsgewijze redeneringen en betrouwbaarheidsscores. DrugReasoner behaalde robuuste prestaties met een AUC van 0,732 en een F1-score van 0,729 op de validatieset en 0,725 en 0,718 op de testset, respectievelijk. Deze resultaten overtroffen conventionele baseline-methoden, waaronder logistische regressie, support vector machine en k-nearest neighbors, en vertoonden competitieve prestaties ten opzichte van XGBoost. Op een externe onafhankelijke dataset overtrof DrugReasoner zowel de baseline als het recent ontwikkelde ChemAP-model, met een AUC van 0,728 en een F1-score van 0,774, terwijl het hoge precisie en gebalanceerde gevoeligheid behield, wat robuustheid in real-world scenario's aantoont. Deze bevindingen tonen aan dat DrugReasoner niet alleen competitieve voorspellende nauwkeurigheid biedt, maar ook transparantie vergroot door zijn redeneringsoutputs, waardoor een belangrijke bottleneck in AI-ondersteunde geneesmiddelenontdekking wordt aangepakt. Deze studie benadrukt het potentieel van redenering-versterkte LLM's als interpreteerbare en effectieve tools voor farmaceutische besluitvorming.

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.