技術要約：MARD – メカニズムレベルのDDI予測のためのミラー拡張型推論蒸留

1. 問題定義と動機

現在の薬物相互作用（DDI）予測システムは、主にタスクをフラットなマルチラベル分類問題として扱っており、相互作用が存在するかどうか、あるいは単一の広範なファミリーラベルのみを出力している。このアプローチは、臨床的な実態に対処できていない：処方者はメカニズム的な説明（どの酵素やトランスポーターが関与しているか）、方向性（どちらの薬がもう一方に影響を与えるか）、および「アラート疲れ」を回避するためのエビデンスに基づく根拠を必要としている。既存の根拠生成システムは、スキーマ制約に欠け、薬理学的な対称性（薬の順序を $A \to B$ から $B \to A$ に入れ替えた場合に鏡合わせになるべきという原則）の強制に失敗し、存在しないタンパク質標的やメカニズムを引用するハルシネーション（幻覚）に苦しんでいる。

さらに、このタスクに直接適用された最先端の大規模言語モデル（LLM）は、3つの直交する失敗を示す：

1. ミラー不整合（Mirror Inconsistency）: $(A, B)$ と $(B, A)$ の予測において、ファミリーや方向性が乖離することがある。
2. クラス不均衡による崩壊（Class-Imbalance Collapse）: メカニズム・ファミリー間の47:1という不均衡により、モデルが支配的な「有害リスク（Adverse Risk）」のアトラクターへと崩壊する。
3. エビデンスのハルシネーション（Evidence Hallucination）: モデルがもっともらしいが根拠のない引用を生成する。

提示される研究課題は、テスト時に最先端モデルへのアクセス権を持たない小規模言語モデル（SLM）が、スキーマに基づき、ミラー性を維持し、未知の（訓練時に未学習の）薬物やペアに対して堅牢で、完全に監査可能なDDI予測を行えるかどうかである。

2. 手法：MARDパイプライン

著者らは、2026年4月リリースのDrugBank（145万ペア、7つのメカニズム・ファミリー、147のサブタイプ）を用いて、4段階のパイプラインで訓練された7Bパラメータモデルである**MARD（Mirror-Augmented Reasoning Distillation）**を提案している。

2.1 データとスキーマ

• タクソノミー（分類体系）: 方向性タグ（$A \to B$、$B \to A$、双方向、N/A）を備えた、構造化された7ファミリー/147サブタイプの階層構造。
• エビデンス・プール ($E_p$): 各ペアに対し、モデルは構造化されたフィールド（PKフラグ、タンパク質標的、パスウェイ）と、ラベル付けされた類似の隣接ペア $K=5$ 個の検索ブロックを受け取る。極めて重要な点は、このプールが自由形式のテキストではなく構造化されていることであり、これにより引用されるすべての識別子が検証可能であることを保証している。
• リーク防止分割（Leakage-Safe Splits）: 3つのプロトコルが定義されている：ランダム分割（Warm）、ドラッグ・コールド（Drug-Cold：訓練に当該薬物を含まない）、およびペア・コールド（Pair-Cold：訓練に当該ペアの両方の薬物を含まない）。

2.2 訓練の革新

パイプラインは、特定された失敗に対処するために、結合された3つの訓練上の革新を採用している。

1. クロス・ティーチャー・コンセンサス蒸留（Cross-Teacher Consensus Distillation）:

   • 3つの多様なティーチャーモデル（Qwen2.5-72B、DeepSeek-R1-70B、Llama-3.3-70B）によって候補が生成される。
   • 4層のジャッジ・スタック（ルールベースの品質管理、DDI-PRMスコアリング、自己整合性、およびアウト・オブ・ファミリーのGPT-4oプローブ）が、コンセンサス・トレースを選択する。
   • これにより、系統的なバイアスを軽減し、高品質でスキーマに準拠した訓練データを確保する。

2. 位置制限付きKLを用いたミラー拡張型SFT（Mirror-Augmented SFT with Position-Restricted KL）:

   • 対称性を強制するため、すべての訓練例は反転させたツイン（$AB$と$BA$）とペアにされる。
   • 位置制限付きKLダイバージェンスが、単一の「方向タグ」トークンに対してのみ適用される。これは、ペアの順序を入れ替えた際に方向タグが反転しなければならないという制約を強制する一方で、自由形式の推論トレースのテキストは結合させずに、スタイルの多様性を保持させるためのものである。
   • これにより、両方の順序に対して同一の文字列に陥る（性能を損なう原因となる）ことを防ぎつつ、重要な方向性を安定させる。

3. ハード・ネガティブを用いたPRM重み付きDPO（PRM-Weighted DPO with Hard Negatives）:

   • DDI-PRM（プロセス報酬モデル）: 自動検証可能なステップ・ラベルを用いて訓練された、LoRA微調整済みの報酬ヘッド。ステップは、DrugBankのフィールドに対して、エビデンスに基づいているか、方向性が保持されているか、ファミリーが一貫しているか、PKフラグと一致しているかによって報酬を受ける。人間の判定者は必要ない。
   • ハード・ネガティブ: プログラム的に「誤った」トレースを構築する（例：推論テキストはそのままに、最終的な構造化回答ブロックのみを編集してファミリーを「Adverse Risk」に書き換える）。これにより、モデルに表面的な手がかりではなく、構造化されたラベルの誤りから学習させる。
   • 重み付け: DPOの目的関数はPRMのマージン（$\omega_i$）によって重み付けされ、モデルが不確実性を感じている例を優先する。

2.3 メカニズム認識型リトリーバル（Retrieval）

リトリーバル・チャネルは、複合的な類似度スコア（Pathway Jaccard、Protein Jaccard、ATC深度、SMILES Tanimoto）に基づき、ラベル付けされた隣接ペア $K=5$ を取得する。リトリーバルの対象範囲は、コールド・スプリット・シナリオにおけるデータ漏洩を防ぐため、厳格に訓練ペアに限定されている。

3. 主な結果

32のシステム（20のOpenDDIベースライン、構造モデル、オープンな医学系LLM、およびGPT-4oやClaude Sonnet 4.6などの最先端モデルを含む）と比較評価を行った。

• コールド・スプリットにおける汎化性能: MARD-7Bは、比較対象の中で、薬物ペアの新規性に対して精度を維持できた唯一のシステムである。
  • Pair-Cold において、MARD-7Bは 0.540 のマクロF1値を達成し、最高の構造的ベースライン（XGBoost）を +12.7 pp、最高のOpenDDIアーキテクチャ（DDIMDL）を +13.9 pp 上回った。
  • 対照的に、DeepDDI-MLPは、WarmからPair-Coldにかけて -47.5 pp 低下した。
• ミラー安定性: MARDは、Mirror Family Stability (MFS) で 0.977、Mirror Prediction Symmetry (MPS) で 0.78 を達成し、模倣ベースライン（対称性制約なしでは51.4%のエラー率）を大幅に上回った。
• ハルシネーション率: システムはハルシネーションがほぼ発生せず、ハルシネーション率（HR）は $3.7 \times 10^{-4}$ であった。フラグが立てられた引用はすべて、捏造された参照ではなく、2026年4月リリースのDrugBankで廃止されたレガシーIDであることが特定された。
• 最先端モデルとの比較: MARD-7Bは、Pair-ColdにおいてGPT-4oを +6.7 pp、WarmスプリットにおいてClaude Sonnet 4.6を上回り、かつAPIコストの約 1% でこれを実現した。
• アンチ・メモライゼーション（記憶回避）のシグネチャ: 構造的ベースライン（出現頻度と精度の間に正の相関を示す）とは異なり、MARDの精度は、希少な薬物において上昇した（Spearman $\rho = -0.76$）。これは、モデルが共起統計ではなく、構造化された薬理学的推論に依存していることを示している。

4. 貢献

1. 再現可能なプロトコル: 7ファミリー/147サブタイプのタクソノミー、リーク防止策を講じたコールド・スプリット・プロトコル、および4つのトレース品質指標（MFS, MPS, CSA, HR）を備えた、メカニズムレベルのDDIラベリングおよび評価プロトコル。
2. MARD訓練レシピ: 位置制限付き対称性KL、ハード・ネガティブを用いたPRM重み付きDPO、およびメカニズム認識型リトリーバルを組み合わせた、結合された訓練手法。
3. 判定者不要の訓練シグナル: プロセス報酬と選好データが、DrugBankの構造化フィールドに対して決定論的に検証可能であり、訓練ループにおいて人間やLLMの判定者を排除するシステム。
4. 記憶か推論かの証拠: 希少な薬物に対する精度の「符号反転（sign flip）」が、ベースラインの記憶に基づくものとは異なることを示し、構造化された薬理学的推論による性能向上を実証したこと。

5. 意義と限界

意義:
本論文は、DDI予測のボトルネックはパラメータ数ではなく、構造化された薬理学的推論を行う能力にあると主張している。MARDは、厳格なスキーマ制約、対称性の強制、および自動検証可能な報酬を用いることで、7Bモデルが、未知の薬物ペアに対して最先端モデルや専門的なグラフベースのアーキテクチャを凌駕できることを示している。本システムは、一般的な警告を出すのではなく、実行可能なメカニズムを提供することで、アラート疲れを軽減する、監査可能な低コストの臨床意思決定支援への道筋を提供する。

限界（著者による記載）:

• 選択と生成のギャップ: モデルは $\ge 65\%$ のペアに対して正しいファミリーを生成しているが、「デプロイ可能な」システム（シングルコミット）は、「リッチな候補オラクル」よりも約16 pp劣っている。著者らは、これは生成の問題ではなく、検証器/選択の問題であると特定している。
• スパース性の天井: 自動検証可能なグラウンディングは、DrugBankのキュレーション密度に依存する。エビデンスフィールドが疎なファミリー（例：PK_Distribution）は、十分に根拠があるファミリー（例：Adverse Risk、精度0.77）と比較して、精度が低い（0.26）。
• 限定的な対称性: 対称性制約は方向タグにのみ適用される。これは推論の多様性を保持する一方で、順序間での完全な三者一致（ファミリー、サブタイプ、方向）であるMPS（約0.80）は、ファミリーの安定性よりも低くなっている。
• 研究用アーティファクト: 著者らは、MARDは医療機器ではないことを明示している。導入には資格を持つ薬剤師または医師の介在が必要であり、出力は独立した検証を受けるべき仮説として扱う必要がある。

本論文は、残された性能の差は候補選択の課題であることを示唆しており、将来的な学習済み検証器への研究を動機付けるものである。同時に、現在のリリースは、この研究を可能にするためのコーパス、リトリーバル・インデックス、および訓練コードを提供している。