DrugReasoner: Интерпретируемое прогнозирование одобрения лекарств с использованием языковой модели, дополненной механизмом логического вывода

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

August 26, 2025

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

cs.AI

Аннотация

Открытие лекарств — это сложный и ресурсоемкий процесс, что делает раннее прогнозирование результатов одобрения критически важным для оптимизации инвестиций в исследования. Хотя классические методы машинного обучения и глубокого обучения показали перспективность в прогнозировании одобрения лекарств, их ограниченная интерпретируемость сдерживает их влияние. В данной работе мы представляем DrugReasoner — крупную языковую модель (LLM), основанную на архитектуре LLaMA и дообученную с использованием групповой относительной оптимизации политик (GRPO) для прогнозирования вероятности одобрения малых молекул. DrugReasoner интегрирует молекулярные дескрипторы с сравнительным анализом структурно схожих одобренных и неодобренных соединений, генерируя прогнозы вместе с пошаговыми обоснованиями и оценками уверенности. DrugReasoner продемонстрировал устойчивую производительность с AUC 0,732 и F1-мерой 0,729 на валидационном наборе данных, а также 0,725 и 0,718 на тестовом наборе соответственно. Эти результаты превзошли традиционные базовые методы, включая логистическую регрессию, метод опорных векторов и метод k-ближайших соседей, и показали конкурентоспособность по сравнению с XGBoost. На внешнем независимом наборе данных DrugReasoner превзошел как базовые методы, так и недавно разработанную модель ChemAP, достигнув AUC 0,728 и F1-меры 0,774, при этом сохраняя высокую точность и сбалансированную чувствительность, что демонстрирует устойчивость в реальных сценариях. Эти результаты показывают, что DrugReasoner не только обеспечивает конкурентоспособную точность прогнозирования, но и повышает прозрачность благодаря своим обоснованиям, тем самым устраняя ключевое узкое место в AI-ассистированном открытии лекарств. Это исследование подчеркивает потенциал крупных языковых моделей, усиленных логическим анализом, как интерпретируемых и эффективных инструментов для принятия решений в фармацевтике.

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.