医薬品相互作用（DDI）の予測は、医療分野における重要な課題です。従来の手法では単に2つの医薬品が相互作用するかどうかを判定するのみでしたが、本研究が対象とするのは、どの酵素または薬力学的経路が関与し、相互作用の方向性、そしてそれを支持する根拠まで特定する機構レベルの予測です。 研究チームは、7つのファミリーと147のサブタイプから構成される体系的な分類法を備えた、機構レベルのDDI標識化と評価プロトコルを開発しました。この新しいプロトコルは、データリーク防止のための冷分割手法と、単純な相互作用分類を超えた薬理学的予測を評価するための監査可能な推論メトリクスを組み込んでいます。提案されたMARD（Mirror-Augmented Reasoning Distillation）パイプラインは、7Bパラメータ規模の言語モデルに対して3つの革新的な訓練手法を採用しており、方向タグに関する単一トークンのKL発散、プログラム的困難事例を用いた損失ごとのPRM重み付きDPO、そして機構認識検索チャネルが含まれます。 2026年4月版のDrugBankを用いた評価では、MARD-7Bは32個のシステム比較において唯一、医薬品対の新規性に対しても精度が保持されるシステムでした。最良のベースライン手法を13.9ポイント、GPT-4oを6.7ポイント上回り、フロンティア級APIコストの約1%で実現しています。さらなる分析により、MARD-7Bは稀に見られる医薬品に対してむしろ精度が向上する「反暗記署名」を示し、性能向上が医薬品頻度の記憶ではなく構造的薬理学推論に由来することが示唆されました。研究チームはコーパス、DDI-PRM、検索インデックス、訓練コードを公開しています。