DrugReasoner: Predicción interpretable de aprobación de fármacos con un modelo de lenguaje aumentado por razonamiento

Área de la Ciencia:

• Química computacional
• Inteligencia artificial en el descubrimiento de fármacos
• Aprendizaje automático para el desarrollo farmacéutico

Sus antecedentes:

• El descubrimiento de fármacos requiere muchos recursos, lo que exige una predicción temprana y precisa de los resultados de aprobación.
• Los modelos clásicos y de aprendizaje profundo ofrecen poder predictivo pero carecen de interpretabilidad.
• La interpretabilidad es crucial para optimizar las inversiones en investigación y mejorar la confianza en las decisiones impulsadas por IA.

Objetivo del estudio:

• Desarrollar y evaluar DrugReasoner, un modelo de lenguaje grande (LLM) basado en razonamiento para predecir la aprobación de moléculas pequeñas.
• Mejorar la interpretabilidad de los modelos de IA en el descubrimiento de fármacos proporcionando justificaciones paso a paso.
• Mejorar la precisión y robustez de las predicciones impulsadas por IA en la toma de decisiones farmacéuticas.

Principales métodos:

• Se desarrolló DrugReasoner utilizando la arquitectura LLaMA, ajustada con optimización de políticas relativas de grupo (GRPO).
• Se integraron descriptores moleculares con razonamiento comparativo frente a compuestos similares aprobados/no aprobados.
• Se evaluó el rendimiento utilizando puntuaciones AUC y F1 en conjuntos de datos de validación, prueba e independientes externos.

Principales resultados:

• DrugReasoner logró un sólido rendimiento con AUC de 0.732 (validación) y 0.725 (prueba), superando a las líneas de base convencionales.
• En un conjunto de datos independiente, DrugReasoner logró un AUC de 0.728 y una puntuación F1 de 0.774, superando al modelo ChemAP.
• El modelo proporcionó justificaciones interpretables y paso a paso junto con predicciones y puntuaciones de confianza.

Conclusiones:

• Los LLM aumentados por razonamiento como DrugReasoner ofrecen un enfoque prometedor para el descubrimiento de fármacos asistido por IA, interpretable y preciso.
• DrugReasoner aborda un cuello de botella clave en la toma de decisiones farmacéuticas impulsada por IA al combinar la precisión predictiva con la transparencia.
• El sólido rendimiento e interpretabilidad del modelo demuestran su potencial para aplicaciones en el mundo real en la optimización de los pipelines de desarrollo de fármacos.