這項由伊斯法罕醫(yī)科大學再生醫(yī)學研究中心的Mohammadreza Ghaffarzadeh-Esfahani和Ali Motahharynia領導的研究發(fā)表于2025年8月，論文標題為"DrugReasoner: Interpretable Drug Approval Prediction with a Reasoning-augmented Language Model"。有興趣深入了解的讀者可以通過arXiv:2508.18579v1訪問完整論文。

開發(fā)一款新藥就像建造一座摩天大樓，需要超過十年的時間和將近9億美元的巨額投資。更令人沮喪的是，許多藥物在經(jīng)歷了漫長的研發(fā)過程后，最終卻無法獲得監(jiān)管部門的批準上市。這就像花費巨資建造一座大樓，卻在最后一刻發(fā)現(xiàn)它不符合安全標準，只能眼睜睜看著投資打水漂。

傳統(tǒng)的人工智能預測系統(tǒng)就像一個神秘的黑盒子，雖然能給出"這款藥物可能會被批準"或"這款藥物可能會被拒絕"的答案，但它們無法解釋為什么會得出這樣的結(jié)論。這讓制藥公司的研發(fā)人員感到困惑，就好比一個占卜師告訴你明天會下雨，但拒絕解釋是根據(jù)什么跡象得出這個結(jié)論的。

如今，伊斯法罕醫(yī)科大學的研究團隊開發(fā)出了一個名為DrugReasoner的全新系統(tǒng)，它不僅能預測藥物是否會被批準，更重要的是，它能像一位經(jīng)驗豐富的藥物專家一樣，詳細解釋自己的推理過程。這個系統(tǒng)基于著名的LLaMA大型語言模型構(gòu)建，經(jīng)過特殊訓練后，能夠分析藥物的分子特征，并將其與已知的成功和失敗案例進行對比，最終給出預測結(jié)果和詳細的解釋。

研究團隊使用了一種叫做"群體相對策略優(yōu)化"的訓練方法，這就像培養(yǎng)一個學生不僅要知道正確答案，還要學會清晰地表達解題思路。經(jīng)過訓練的DrugReasoner在驗證集上取得了0.732的AUC值和0.729的F1分數(shù)，在測試集上也保持了0.725和0.718的優(yōu)秀表現(xiàn)。更令人印象深刻的是，在獨立的外部數(shù)據(jù)集測試中，DrugReasoner明顯超越了傳統(tǒng)方法和最近開發(fā)的ChemAP模型，顯示出強大的實際應用潛力。

一、解密藥物審批預測的核心挑戰(zhàn)

藥物研發(fā)就像一場漫長而昂貴的馬拉松比賽。從實驗室中發(fā)現(xiàn)一個有潛力的化合物開始，到最終獲得監(jiān)管部門批準上市，整個過程通常需要超過十年時間，耗資近9億美元。更讓人心痛的是，這場馬拉松的完成率極低，大部分"選手"都會在途中倒下。

傳統(tǒng)的機器學習方法雖然在預測藥物成敗方面顯示出了一定的潛力，但它們就像一臺復雜的計算器，只能給出冰冷的數(shù)字結(jié)果，卻無法解釋背后的邏輯。研發(fā)人員面對這些預測結(jié)果時，就像站在一扇緊閉的門前，知道門后有答案，卻不知道如何推開這扇門。

近年來，一個名為ChemAP的模型試圖解決這個問題。它采用了一種叫做"知識蒸餾"的技術，就像讓一位經(jīng)驗豐富的老師將自己的知識傳授給學生一樣。ChemAP的"老師"模型整合了多種信息，然后將這些知識傳遞給只需要分析化學結(jié)構(gòu)的"學生"模型。雖然這種方法取得了一定進展，但仍然存在解釋能力不足的問題。

與此同時，大型語言模型的興起為解決這個問題帶來了新的希望。這些模型就像擁有廣博知識的學者，能夠理解和處理人類語言，并且具備一種叫做"鏈式思維推理"的能力。這種能力讓它們能夠像人類專家一樣，一步步展示自己的思考過程，而不僅僅是給出最終答案。

在藥物發(fā)現(xiàn)領域，已經(jīng)出現(xiàn)了一些運用推理能力的AI系統(tǒng)。比如DrugReAlign和DrugAgent這樣的框架，它們像擁有專業(yè)工具的探索者，能夠檢索信息、整合知識，并為藥物重新定位提供決策支持。另外，MolReasoner和Mol-R1等模型專注于利用推理能力進行分子設計，就像擁有創(chuàng)造力的建筑師，能夠設計出具有理想特性的新分子結(jié)構(gòu)。

在這樣的背景下，DrugReasoner應運而生。它不僅繼承了大型語言模型的推理能力，更專門針對藥物審批預測進行了優(yōu)化。這個系統(tǒng)能夠分析藥物的分子特征，與相似的已批準和未批準化合物進行對比，然后像一位經(jīng)驗豐富的藥物審評專家一樣，詳細解釋自己的判斷依據(jù)，同時給出預測結(jié)果和置信度評分。

二、DrugReasoner的工作原理揭秘

DrugReasoner的工作過程就像一位經(jīng)驗豐富的藥物專家在分析新藥申請時的思考過程。當面對一個新的化合物時，這位"AI專家"首先會仔細觀察這個化合物的各種特征，就像醫(yī)生檢查病人時會注意各種體征一樣。

這個分析過程的第一步是特征提取。DrugReasoner會計算目標化合物的各種分子描述符，包括分子量、脂溶性、極性表面積、氫鍵供體和受體數(shù)量、可旋轉(zhuǎn)鍵數(shù)量等等。這些參數(shù)就像化合物的"身份證"，記錄著它的基本"生理特征"。除了這些基礎信息，系統(tǒng)還會進行結(jié)構(gòu)預警檢查，就像安檢員檢查是否攜帶危險品一樣，識別化合物中可能存在的有害結(jié)構(gòu)片段。

接下來是最關鍵的比較分析環(huán)節(jié)。DrugReasoner不會孤立地分析目標化合物，而是會在龐大的化合物數(shù)據(jù)庫中尋找與它最相似的"親戚"。這個過程使用了一種巧妙的方法：研究團隊訓練了一個XGBoost模型來識別化合物之間的相似性。這就像訓練一只獵犬，讓它能夠根據(jù)氣味找到相似的目標。

具體來說，系統(tǒng)會為每個化合物找到五個最相似的已批準藥物和五個最相似的未批準化合物。這種比較方式非常符合人類專家的思維習慣。當藥物專家評估一個新化合物時，他們經(jīng)常會想："這個化合物讓我想起了某某藥物，那個藥物當年是如何被評估的呢？"

為了避免數(shù)據(jù)泄露問題，研究團隊做出了一個重要決定：不直接使用SMILES（簡化分子線性輸入規(guī)范）字符串。SMILES就像化合物的"化學語言"寫法，但由于大型語言模型可能在訓練時見過這些字符串，直接使用可能會讓模型"作弊"。因此，DrugReasoner只使用從分子結(jié)構(gòu)計算得出的物理化學特征，這樣既保證了預測的公正性，也提高了結(jié)果的可解釋性。

訓練DrugReasoner的過程采用了一種叫做"群體相對策略優(yōu)化"（GRPO）的先進方法。這種方法就像訓練一個辯論隊，不僅要求隊員給出正確答案，還要求他們能夠清晰地表達自己的論證過程。在訓練過程中，模型需要為每個輸入生成多個可能的回答，然后根據(jù)一套復雜的評價標準對這些回答進行評分。

這套評價標準包含五個方面。首先是正確性，就像考試中的標準答案，預測對了就得高分。其次是格式規(guī)范，要求模型的輸出必須遵循特定的XML格式，包含思考過程、預測標簽和置信度分數(shù)三個部分。第三是格式兼容性，即使格式略有偏差，只要主要結(jié)構(gòu)正確也能獲得部分分數(shù)。第四是可解釋性，要求模型給出的標簽必須是語義上有效的"批準"或"未批準"。最后是置信度對齊，這個最有意思：如果模型預測正確且非常自信，會獲得最高獎勵；如果預測錯誤但承認不確定，也能獲得一定獎勵；但如果預測錯誤還很自信，則會受到嚴厲"懲罰"。

經(jīng)過14500步的訓練，研究團隊在第12500步選擇了最終模型。這個選擇就像挑選運動員的最佳狀態(tài)，既要考慮各項指標的平衡，也要確保輸出格式的完全合規(guī)。最終的DrugReasoner不僅能夠準確預測，還能保持穩(wěn)定的置信度評分，平均置信度穩(wěn)定在0.87左右。

三、突出的預測性能表現(xiàn)

DrugReasoner的性能測試就像一場全方位的考試，研究團隊設計了多個層次的評估來驗證這個AI專家的能力。整個測試過程使用了一個包含2255個已批準藥物和2255個未批準化合物的平衡數(shù)據(jù)集，這些數(shù)據(jù)按照8比1比1的比例分為訓練集、驗證集和測試集。

在驗證集的測試中，DrugReasoner展現(xiàn)出了令人印象深刻的綜合實力。它獲得了0.732的AUC值，這個數(shù)字可能看起來抽象，但實際意義很清晰：如果隨機選擇一個批準藥物和一個未批準化合物讓DrugReasoner排序，它有73.2%的概率能夠正確地把批準藥物排在前面。同時，它的準確率達到了73.2%，意味著在100次預測中大約能答對73次。

更值得關注的是DrugReasoner在各項指標上的平衡表現(xiàn)。它的召回率為72.1%，這意味著在所有真正會被批準的藥物中，它能夠正確識別出72.1%。精確度為73.8%，表示在它預測為"會被批準"的藥物中，有73.8%確實獲得了批準。特異性為74.2%，顯示它在識別不會被批準的化合物方面也很準確。F1分數(shù)為72.9%，這是精確度和召回率的綜合指標，反映了整體的預測質(zhì)量。

與傳統(tǒng)機器學習方法的對比更突出了DrugReasoner的優(yōu)勢。在同樣的驗證集上，k近鄰算法、邏輯回歸、支持向量機等傳統(tǒng)方法的表現(xiàn)都不如DrugReasoner。即使是表現(xiàn)最好的XGBoost，雖然在某些單項指標上可能接近DrugReasoner，但在整體平衡性上仍有差距。

在測試集上，DrugReasoner繼續(xù)保持了穩(wěn)定的性能。AUC值為0.725，準確率同樣是72.5%，顯示出良好的泛化能力。特別值得注意的是，它在召回率方面達到了70.2%，這在所有比較的方法中是最高的。這意味著DrugReasoner在識別真正有潛力獲得批準的藥物方面具有獨特優(yōu)勢，這對于制藥公司來說是非常寶貴的，因為錯過一個有潛力的藥物可能意味著巨大的機會成本。

真正的考驗來自于外部獨立數(shù)據(jù)集的測試。這個數(shù)據(jù)集來自ChemAP研究中使用的數(shù)據(jù)，包含17個已批準藥物和8個未批準化合物。在這個"陌生"的測試環(huán)境中，DrugReasoner的表現(xiàn)更加令人矚目。它獲得了0.728的AUC值，F(xiàn)1分數(shù)高達77.4%，精確度更是達到了85.7%。這些數(shù)字不僅顯著超越了所有傳統(tǒng)基線方法，也明顯優(yōu)于最近開發(fā)的ChemAP模型。

特別值得關注的是傳統(tǒng)機器學習方法在外部數(shù)據(jù)集上的表現(xiàn)急劇下降。它們的AUC值只有0.529到0.618之間，召回率更是低至23.5%或以下，盡管特異性達到了100%。這種極端的表現(xiàn)模式表明這些傳統(tǒng)方法在面對新數(shù)據(jù)時過于保守，寧可錯過真正的陽性樣本也不愿冒險。相比之下，ChemAP雖然比傳統(tǒng)方法稍好，但AUC值只有0.64，召回率為52.9%，特異性為75%，明顯不如DrugReasoner的全面表現(xiàn)。

這些測試結(jié)果揭示了DrugReasoner的一個重要特點：它不僅在訓練相關的數(shù)據(jù)上表現(xiàn)良好，在完全獨立的外部數(shù)據(jù)上也保持了優(yōu)秀的性能，這證明了它具有強大的泛化能力和實際應用潛力。

四、推理能力的革命性突破

DrugReasoner最引人注目的特點不僅在于它的預測準確性，更在于它能夠像人類專家一樣進行推理和解釋。這種能力的實現(xiàn)依靠了鏈式思維推理技術，讓AI能夠展示自己的"思考過程"。

當DrugReasoner分析一個化合物時，它會按照類似人類專家的思維路徑進行推理。首先，它會仔細分析目標化合物的理化性質(zhì)，就像一位化學家在實驗臺前觀察樣品的各種特征。然后，它會將這些特征與數(shù)據(jù)庫中最相似的已批準和未批準化合物進行對比，這個過程類似于經(jīng)驗豐富的藥物審評專家回憶類似案例的過程。

整個推理過程被規(guī)范化為三個明確的輸出組件。第一個是"思考"部分，DrugReasoner在這里會詳細闡述自己的分析過程，解釋為什么某些分子特征是重要的，為什么與某些已知化合物的相似性支持或反對批準決定。第二個是"標簽"部分，給出明確的"批準"或"未批準"預測。第三個是"分數(shù)"部分，提供一個0到1之間的置信度評分，表明模型對自己預測的確信程度。

這種設計的巧妙之處在于它模擬了人類專家的決策過程。真正的藥物審評專家在評估一個新藥申請時，也會經(jīng)歷類似的思維過程：分析化合物特征、回憶相似案例、權衡各種因素、做出決定、評估自己的確信程度。DrugReasoner將這個過程數(shù)字化，使其變得可重現(xiàn)、可分析。

訓練過程中采用的群體相對策略優(yōu)化方法進一步強化了推理能力。這種方法不僅要求模型給出正確答案，還要求它能夠生成連貫、有邏輯的推理過程。通過多目標獎勵函數(shù)，系統(tǒng)學會了在保證預測準確性的同時，也要保證推理過程的質(zhì)量和可讀性。

置信度對齊是推理能力的一個重要組成部分。DrugReasoner學會了誠實地評估自己的不確定性，這在實際應用中非常有價值。當模型給出高置信度的預測時，研發(fā)人員可以更加信任這個結(jié)果；當模型表示不確定時，這本身就是有價值的信息，提示需要更多的實驗驗證或?qū)＜覍徸h。

這種推理能力在藥物發(fā)現(xiàn)的實際應用中具有重要意義。制藥公司的研發(fā)人員不僅需要知道一個化合物是否可能被批準，更需要理解為什么。DrugReasoner提供的詳細推理過程可以幫助研發(fā)團隊識別化合物的潛在問題，指導進一步的結(jié)構(gòu)優(yōu)化，或者為監(jiān)管申請準備更充分的論證材料。

與傳統(tǒng)的黑盒子預測模型相比，DrugReasoner的可解釋性大大提高了AI輔助藥物發(fā)現(xiàn)的實用價值。研發(fā)人員可以審查模型的推理過程，驗證其邏輯是否合理，甚至從中學到新的洞察。這種透明性對于建立對AI系統(tǒng)的信任至關重要，特別是在藥物研發(fā)這樣的高風險、高投入領域。

五、技術創(chuàng)新的深層機制

DrugReasoner的技術架構(gòu)體現(xiàn)了多項創(chuàng)新的巧妙結(jié)合。整個系統(tǒng)構(gòu)建在LLaMA-3.1-8B-Instruct模型的基礎上，這就像在一個強大的通用智能大腦上添加了專門的藥物分析模塊。

數(shù)據(jù)處理的創(chuàng)新首先體現(xiàn)在分子嵌入技術的使用上。研究團隊采用了MOLFORMER，這是一個專門針對分子結(jié)構(gòu)訓練的transformer模型。MOLFORMER能夠?qū)⒒瘜W結(jié)構(gòu)的SMILES表示轉(zhuǎn)換為768維的向量，這個過程就像將復雜的分子結(jié)構(gòu)翻譯成AI能夠理解的數(shù)字語言。通過掩碼語言建模訓練，MOLFORMER學會了理解分子結(jié)構(gòu)中的各種模式和關系。

相似性搜索機制是另一個技術亮點。研究團隊沒有簡單地使用化學相似性指標，而是訓練了一個XGBoost模型來學習與藥物批準相關的相似性模式。這種方法的優(yōu)勢在于它不僅考慮了化學結(jié)構(gòu)的相似性，還考慮了與審批結(jié)果相關的特征模式。XGBoost模型被訓練為一個二分類器，用MOLFORMER生成的分子嵌入作為輸入特征，學習區(qū)分已批準和未批準化合物。

訓練好的XGBoost模型被用來生成葉節(jié)點嵌入，這是一種獨特的相似性度量方法。每個分子在XGBoost的決策樹中會走過一條特定的路徑，最終到達某個葉節(jié)點。具有相似葉節(jié)點軌跡的分子被認為是相似的，這種相似性不僅反映了化學結(jié)構(gòu)特征，還反映了與審批決策相關的特征模式。

群體相對策略優(yōu)化的實現(xiàn)細節(jié)也體現(xiàn)了技術創(chuàng)新。傳統(tǒng)的強化學習方法通常需要復雜的價值函數(shù)估計，而GRPO通過群體內(nèi)比較簡化了這個過程。對于每個輸入，模型生成四個不同的輸出，然后基于多目標獎勵函數(shù)對這些輸出進行評分。群體內(nèi)的平均獎勵作為基線，每個輸出的優(yōu)勢通過與這個基線的差值來計算。

獎勵函數(shù)的設計特別巧妙，它包含了五個不同的目標。正確性獎勵確保模型學會給出正確的預測，XML格式獎勵和軟格式兼容性獎勵確保輸出結(jié)構(gòu)的規(guī)范性，可解釋性獎勵鼓勵生成有意義的標簽，置信度對齊獎勵則培養(yǎng)模型誠實評估自己的不確定性。這種多目標設計確保了模型在各個方面都得到優(yōu)化。

為了防止數(shù)據(jù)泄露，研究團隊特意排除了SMILES字符串的使用，而是依賴于RDKit計算的分子描述符。這些描述符包括分子量、LogP值、拓撲極性表面積、氫鍵供體和受體數(shù)量、可旋轉(zhuǎn)鍵數(shù)量、分子折射率、手性中心、重原子、環(huán)數(shù)量和形式電荷等。此外，還進行了結(jié)構(gòu)預警檢查，使用泛分析干擾化合物和Brenk過濾器識別不良子結(jié)構(gòu)。

訓練過程采用了多種優(yōu)化技術來提高效率。使用了4位量化技術減少內(nèi)存占用，采用低秩適應（LoRA）技術只對關鍵的注意力投影層進行微調(diào)，同時使用unsloth庫和paged_adamw_8bit優(yōu)化器來加速訓練過程。整個訓練過程在單個NVIDIA V100 GPU上進行了約794小時，生成了多個檢查點供選擇。

檢查點選擇策略結(jié)合了獎勵軌跡監(jiān)控和驗證集性能評估。每500步進行一次評估，使用包括AUC、F1分數(shù)、精確度、召回率、特異性和準確率在內(nèi)的多個指標。最終選擇的第12500步檢查點不僅在各項指標上表現(xiàn)優(yōu)秀，還實現(xiàn)了100%的輸出格式合規(guī)率。

六、實際應用價值與影響

DrugReasoner的開發(fā)不僅僅是一項技術成就，更重要的是它為藥物研發(fā)行業(yè)帶來的實際價值和潛在影響。在一個平均需要十多年時間和近9億美元投入的藥物開發(fā)過程中，能夠在早期階段準確預測成功概率的工具具有巨大的商業(yè)和社會價值。

從制藥公司的角度來看，DrugReasoner可以顯著改善投資決策的質(zhì)量。傳統(tǒng)的藥物開發(fā)就像在黑暗中摸索，公司往往需要基于有限的信息做出巨額投資決定。DrugReasoner提供的不僅是預測結(jié)果，更重要的是詳細的推理過程，這讓決策者能夠理解每個化合物的優(yōu)勢和風險點。當模型預測某個化合物有高概率獲得批準時，公司可以更有信心地增加投資；當模型指出潛在問題時，公司可以提前調(diào)整策略或重新設計分子結(jié)構(gòu)。

研發(fā)效率的提升是另一個重要價值。DrugReasoner可以幫助研究團隊在化合物庫中快速篩選出最有前途的候選藥物，避免在低概率成功的項目上浪費時間和資源。這種早期篩選能力特別有價值，因為越早發(fā)現(xiàn)問題，調(diào)整成本越低。在藥物發(fā)現(xiàn)的hit-to-lead和lead optimization階段，DrugReasoner的預測可以指導化學家的合成策略，優(yōu)先考慮那些不僅具有良好生物活性，也更可能通過監(jiān)管審批的化合物。

對于監(jiān)管機構(gòu)而言，DrugReasoner的推理能力可能有助于提高審批過程的效率和一致性。雖然AI系統(tǒng)不能替代人類專家的判斷，但它可以作為一個有價值的參考工具，幫助審評人員快速識別關鍵問題，確保審評過程的全面性和一致性。模型提供的詳細推理過程可以作為討論的起點，促進更深入的科學交流。

從學術研究的角度看，DrugReasoner代表了AI在藥物發(fā)現(xiàn)領域應用的一個重要進步。它展示了如何將大型語言模型的推理能力與特定領域知識結(jié)合，創(chuàng)造出既準確又可解釋的預測系統(tǒng)。這種方法可能激發(fā)更多類似的研究，推動整個AI輔助藥物發(fā)現(xiàn)領域的發(fā)展。

DrugReasoner的社會影響也值得關注。通過提高藥物開發(fā)的效率和成功率，這類技術最終可能有助于降低新藥成本，加速重要藥物的上市時間。對于患有罕見疾病或急需新治療方案的患者來說，這意味著可能更早獲得有效的治療選擇。

然而，DrugReasoner的實際應用也面臨一些挑戰(zhàn)和限制。首先是數(shù)據(jù)質(zhì)量和代表性的問題。模型的性能很大程度上依賴于訓練數(shù)據(jù)的質(zhì)量，如果訓練數(shù)據(jù)存在偏差或不夠全面，可能影響預測的準確性。其次是監(jiān)管接受度的問題。監(jiān)管機構(gòu)對AI工具在藥物審批中的作用仍然比較謹慎，需要時間來建立相應的指導原則和驗證標準。

技術層面的限制也需要考慮。當前版本的DrugReasoner主要基于分子的理化性質(zhì)進行預測，雖然這避免了數(shù)據(jù)泄露問題，但也可能錯過一些重要的結(jié)構(gòu)信息。研究團隊已經(jīng)意識到這個限制，并在討論中提出了未來改進的方向，包括在控制數(shù)據(jù)泄露風險的前提下整合更多結(jié)構(gòu)信息。

計算資源的需求是另一個實際考慮因素。DrugReasoner的訓練需要大量計算資源，雖然一旦訓練完成，推理過程相對高效，但初始開發(fā)和持續(xù)更新仍需要相當?shù)募夹g投入。這可能限制了中小型制藥公司或?qū)W術機構(gòu)的使用。

盡管存在這些挑戰(zhàn)，DrugReasoner所代表的技術方向無疑具有巨大的潛力。隨著技術的不斷改進和應用經(jīng)驗的積累，這類AI工具很可能成為未來藥物研發(fā)流程中的標準組件，為更高效、更智能的藥物發(fā)現(xiàn)開辟新的可能性。

歸根結(jié)底，DrugReasoner的價值不僅在于它能夠做出準確的預測，更在于它為藥物研發(fā)帶來了前所未有的透明度和可解釋性。在一個傳統(tǒng)上依賴直覺和經(jīng)驗的領域中，這種基于數(shù)據(jù)和推理的方法提供了新的視角和工具，有望推動整個行業(yè)向更科學、更高效的方向發(fā)展。當然，AI系統(tǒng)永遠不會完全取代人類專家的智慧和判斷，但它們可以成為強有力的助手，幫助我們更好地理解復雜的藥物研發(fā)過程，最終為患者帶來更多更好的治療選擇。

Q&A

Q1：DrugReasoner是什么？它與傳統(tǒng)的藥物預測工具有什么不同？

A：DrugReasoner是由伊斯法罕醫(yī)科大學開發(fā)的AI系統(tǒng)，專門用于預測新藥是否能獲得監(jiān)管部門批準。與傳統(tǒng)工具最大的不同是，它不僅能給出預測結(jié)果，還能像人類專家一樣詳細解釋自己的推理過程，告訴你為什么這個藥物可能成功或失敗，而不是只給一個冰冷的數(shù)字答案。

Q2：DrugReasoner的預測準確率如何？在實際應用中表現(xiàn)怎么樣？

A：DrugReasoner在多項測試中表現(xiàn)優(yōu)異，驗證集上AUC值達到0.732，測試集為0.725。更重要的是，在獨立的外部數(shù)據(jù)集測試中，它明顯超越了傳統(tǒng)方法和最新的ChemAP模型，AUC值達到0.728，F(xiàn)1分數(shù)高達77.4%，顯示出強大的實際應用潛力。

Q3：制藥公司如何使用DrugReasoner？它能帶來什么實際好處？

A：制藥公司可以用DrugReasoner在早期階段篩選候選藥物，避免在低成功率的項目上浪費時間和金錢。由于每個新藥開發(fā)需要十多年和近9億美元投入，DrugReasoner提供的預測和詳細解釋能幫助公司做出更明智的投資決策，提高研發(fā)效率，最終可能加速新藥上市并降低成本。