DrugReasoner: Previsão Interpretável de Aprovação de Medicamentos com um Modelo de Linguagem Aumentado por Raciocínio

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

August 26, 2025

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

cs.AI

Resumo

A descoberta de medicamentos é um processo complexo e que consome muitos recursos, tornando a previsão precoce dos resultados de aprovação crucial para otimizar os investimentos em pesquisa. Embora os métodos clássicos de aprendizado de máquina e aprendizado profundo tenham mostrado potencial na previsão de aprovação de medicamentos, sua limitada interpretabilidade restringe seu impacto. Aqui, apresentamos o DrugReasoner, um modelo de linguagem grande (LLM) baseado em raciocínio, construído sobre a arquitetura LLaMA e ajustado com otimização de política relativa de grupo (GRPO) para prever a probabilidade de aprovação de pequenas moléculas. O DrugReasoner integra descritores moleculares com raciocínio comparativo contra compostos aprovados e não aprovados estruturalmente semelhantes, gerando previsões juntamente com racionalizações passo a passo e pontuações de confiança. O DrugReasoner alcançou um desempenho robusto com uma AUC de 0,732 e um F1-score de 0,729 no conjunto de validação e 0,725 e 0,718 no conjunto de teste, respectivamente. Esses resultados superaram as linhas de base convencionais, incluindo regressão logística, máquina de vetores de suporte e k-vizinhos mais próximos, e tiveram desempenho competitivo em relação ao XGBoost. Em um conjunto de dados externo independente, o DrugReasoner superou tanto a linha de base quanto o modelo ChemAP recentemente desenvolvido, alcançando uma AUC de 0,728 e um F1-score de 0,774, enquanto mantinha alta precisão e sensibilidade equilibrada, demonstrando robustez em cenários do mundo real. Esses achados demonstram que o DrugReasoner não apenas oferece precisão preditiva competitiva, mas também aumenta a transparência por meio de suas saídas de raciocínio, abordando assim um gargalo crítico na descoberta de medicamentos assistida por IA. Este estudo destaca o potencial dos LLMs aumentados por raciocínio como ferramentas interpretáveis e eficazes para a tomada de decisões farmacêuticas.

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.