Resumen Técnico: MARD – Destilación de Razonamiento Aumentada por Espejo para la Predicción de DDI a Nivel de Mecanismo

1. Definición del Problema y Motivación

Los sistemas actuales de predicción de Interacciones Fármaco-Fármaco (DDI) tratan predominantemente la tarea como un problema de clasificación multietiqueta plano, que solo indica si existe una interacción o una etiqueta de familia amplia. Este enfoque no aborda la realidad clínica: los prescriptores requieren explicaciones mecánicas (qué enzima o transportador está implicado), direccionalidad (qué fármaco afecta al otro) y fundamentación de evidencia para evitar la "fatiga de alertas". Los sistemas existentes que emiten razonamientos suelen carecer de restricciones de esquema, no logran imponer la simetría farmacológica (donde intercambiar el orden de los fármacos $A \to B$ debería reflejar $B \to A$) y sufren de alucinaciones, citando dianas proteicas o mecanismos inexistentes.

Además, los modelos de lenguaje de frontera (LLMs) aplicados directamente a esta tarea exhiben tres fallos ortogonales:

1. Inconsistencia de Espejo: Las predicciones para $(A, B)$ y $(B, A)$ suelen divergir en familia o dirección.
2. Colapso por Desequilibrio de Clases: Los modelos colapsan hacia el atractor dominante de "Riesgo Adverso" debido al desequilibrio de 47:1 entre familias de mecanismos.
3. Alucinación de Evidencia: Los modelos generan citas plausibles pero no fundamentadas.

La pregunta de investigación planteada es si un Modelo de Lenguaje Pequeño (SLM), sin acceso en tiempo de prueba a modelos de frontera, puede producir predicciones de DDI que estén fundamentadas en esquemas, sean estables ante el espejo, robustas ante fármacos/pares "fríos" (no vistos en el entrenamiento) y sean totalmente auditables.

2. Metodología: El Pipeline MARD

Los autores proponen MARD (Mirror-Augmented Reasoning Distillation), un modelo de 7 mil millones de parámetros entrenado mediante un pipeline de cuatro etapas sobre la versión de abril de 2026 de DrugBank (1.45M de pares, 7 familias de mecanismos, 147 subtipos).

2.1 Datos y Esquema

• Taxonomía: Una jerarquía estructurada de 7 familias/147 subtipos con etiquetas de direccionalidad ($A \to B$, $B \to A$, Bidireccional, N/A).
• Pool de Evidencia ($E_p$): Para cada par, el modelo recibe campos estructurados (flags de PK, dianas proteicas, vías) y un bloque de recuperación de un $K=5$ de pares vecinos etiquetados similares. Crucialmente, el pool está estructurado, no es texto libre, lo que asegura que cada identificador citado sea verificable.
• Splits Libres de Filtración (Leakage-Safe): Se definen tres protocolos: Random-Split (Warm), Drug-Cold (ningún fármaco de prueba en el entrenamiento), y Pair-Cold (ningún par de prueba comparte ambos fármacos con el entrenamiento).

2.2 Innovaciones de Entrenamiento

El pipeline emplea tres innovaciones de entrenamiento acopladas para abordar los fallos identificados:

1. Consenso de Consenso de Profesor Cruzado (Cross-Teacher Consensus Distillation):

   • Los candidatos son generados por tres modelos profesores diversos (Qwen2.5-72B, DeepSeek-R1-70B, Llama-3.3-70B).
   • Una pila de cuatro capas de jueces (control de calidad basado en reglas, puntuación DDI-PRM, autoconsistencia y una sonda de GPT-4o fuera de la familia) selecciona el rastro de consenso.
   • Esto reduce el sesgo sistemático y asegura datos de entrenamiento de alta calidad y conformes al esquema.

2. SFT Aumentada por Espejo con KL Restringido por Posición:

   • Para imponer la simetría, cada ejemplo de entrenamiento se empareja con su gemelo invertido ($AB$y$BA$).
   • Se aplica una Divergencia KL Restringida por Posición solo en el token único de la "etiqueta de dirección". Esto impone la restricción de que la etiqueta de dirección debe invertirse cuando el orden del par cambia, mientras que el rastro de razonamiento de texto libre permanece desacoplado para preservar la diversidad estilística.
   • Esto evita que el modelo colapse en cadenas idénticas para ambos órdenes (lo que perjudica el rendimiento) mientras asegura que la direccionalidad crítica sea estable.

3. DPO Ponderado por PRM con Negativos Difíciles:

   • DDI-PRM (Modelo de Recompensa de Proceso): Un cabezal de recompensa ajustado mediante LoRA entrenado en etiquetas de pasos auto-verificables. Un paso es recompensado si está fundamentado en evidencia, preserva la dirección, es consistente con la familia y es consistente con los flags de PK contra los campos de DrugBank. No se requieren jueces humanos.
   • Negativos Difíciles: Se construyen trazas "erróneas" programáticas editando solo el bloque de respuesta estructurada final (por ejemplo, cambiando la familia a "Riesgo Adverso" mientras se mantiene el texto de razonamiento idéntico). Esto obliga al modelo a aprender de errores de etiquetas estructuradas en lugar de pistas superficiales.
   • Ponderación: El objetivo DPO se pondera mediante el margen de la PRM ($\omega_i$), priorizando ejemplos donde el modelo tiene incertidumbre.

2.3 Recuperación Consciente del Mecanismo

Un canal de recuperación obtiene $K=5$ pares vecinos etiquetados basados en una puntuación de similitud compuesta (Jaccard de Vías, Jaccard de Proteínas, profundidad ATC, Tanimoto de SMILES). El universo de recuperación está estrictamente restringido a los pares de entrenamiento para evitar la filtración de datos en escenarios de split frío.

3. Resultados Clave

Evaluado contra 32 sistemas (incluyendo 20 baselines de OpenDDI, modelos estructurales, LLMs médicos abiertos y modelos de frontera como GPT-4o y Claude Sonnet 4.6):

• Generalización de Split Frío (Cold-Split): MARD-7B es el único sistema de la comparación cuya precisión sobrevive a la novedad de los pares de fármacos.
  • En Pair-Cold, MARD-7B logra un 0.540 de macro-F1, superando al mejor baseline estructural (XGBoost) por +12.7 pp y al mejor arquitectura de OpenDDI (DDIMDL) por +13.9 pp.
  • En contraste, DeepDDI-MLP cae -47.5 pp de Warm a Pair-Cold.
• Estabilidad de Espejo: MARD logra una Estabilidad de Familia de Espejo (MFS) de 0.977 y una Simetría de Predicción de Espejo (MPS) de 0.78 en Pair-Cold, superando significativamente a los baselines de imitación (tasa de error del 51.4% sin restricciones de simetría).
• Tasa de Alucinación: El sistema está casi libre de alucinaciones con una Tasa de Alucinación (HR) de $3.7 \times 10^{-4}$. Todas las citas señaladas fueron identificadas como IDs de DrugBank retirados en la versión de abril de 2026, no referencias fabricadas.
• Comparación con la Frontera: MARD-7B supera a GPT-4o por +6.7 pp en Pair-Cold y a Claude Sonnet 4.6 en splits Warm, a aproximadamente el 1% del costo de la API.
• Signatura Anti-Memorización: A diferencia de los baselines estructurales (que muestran una correlación positiva entre frecuencia y precisión), la precisión de MARD aumenta en fármacos vistos raramente (Spearman $\rho = -0.76$). Esto indica que el modelo depende del razonamiento farmacológico estructurado en lugar de estadísticas de co-ocurrencia.

4. Contribuciones

1. Protocolo Reproducible: Un protocolo de etiquetado y evaluación de nivel de mecanismo que presenta una taxonomía de 7 familias/147 subtipos, protocolos de split frío libres de filtración y cuatro métricas de calidad de traza (MFS, MPS, CSA, HR).
2. Receta de Entrenamiento MARD: Un método de entrenamiento acoplado que combina la simetría-KL restringida por posición, DPO ponderado por PRM con negativos difíciles programáticos y recuperación consciente del mecanismo.
3. Señal de Entrenamiento Libre de Jueces: Un sistema donde las recompensas de proceso y los datos de preferencia son determinísticamente verificables contra los campos estructurados de DrugBank, eliminando la necesidad de jueces humanos o de LLM en el bucle de entrenamiento.
4. Evidencia de Razonamiento sobre Memorización: Demostración de que la ganancia de rendimiento proviene del razonamiento farmacológico estructurado, evidenciado por el "cambio de signo" en la precisión sobre fármacos raros en comparación con los baselines de memorización.

5. Significado y Limitaciones

Significancia:
El artículo argumenta que el cuello de botella en la predicción de DDI no es el número de parámetros, sino la capacidad de realizar un razonamiento farmacológico estructurado. MARD demuestra que un modelo de 7B, cuando se entrena con restricciones de esquema estrictas, refuerzo de simetría y recompensas auto-verificables, puede superar a los modelos de frontera y a las arquitecturas especializadas basadas en grafos en pares de fármacos novedosos. El sistema proporciona un camino hacia un soporte de decisión clínica auditable y de bajo costo que reduce la fatiga de alertas al proporcionar mecanismos accionables en lugar de avisos genéricos.

Limitaciones (según los autores):

• Brecha Selección vs. Generación: El modelo genera la familia correcta para $\ge 65\%$ de los pares, pero el sistema "desplegable" (commit único) se queda atrás de un "oráculo de candidatos ricos" por ~16 pp. Los autores identifican esto como un problema de verificador/selección, no un problema de generación.
• Techo de Esparcidad: La fundamentación auto-verificable está limitada por la densidad de curación de DrugBank. Las familias con campos de evidencia dispersos (ej., PK_Distribution) muestran una precisión menor (0.26) comparada con familias bien fundamentadas como Adverse Risk (0.77).
• Simetría Estrecha: La restricencia de simetría se aplica solo a la etiqueta de dirección. Aunque esto preserva la diversidad del razonamiento, la concordancia triple completa (Familia, Subtipo, Dirección) a través de los órdenes (MPS) es menor (~0.80) que la estabilidad de la familia.
• Artefacto de Investigación: Los autores declaran explícitamente que MARD no es un dispositivo médico. El despliegue requiere un farmacéutico o médico calificado en el bucle, y los resultados deben tratarse como hipótesis sujetas a verificación independiente.

El artículo concluye que la brecha de rendimiento restante es un desafío de selección de candidatos, lo que motiva el trabajo futuro sobre verificadores aprendidos, mientras que la versión actual proporciona el corpus, el índice de recuperación y el código de entrenamiento para permitir esta investigación.