BacteReason：一种用于抗菌药物耐药性预测的推理模型

抗菌药物耐药性（AMR）在全球范围内的快速传播，已对临床决策带来前所未有的压力。尽管已有用于预测抗生素敏感性的机器学习模型，但由于缺乏机制层面的基础，其可信度受到限制。我们提出了 BacteReason，这是一种具备推理能力的大语言模型（LLM），能够预测细菌对目标抗生素的敏感性，并同时给出机制性解释。BacteReason 通过在临床药敏数据上对一个开放权重的 LLM 进行微调而获得，所用数据还结合了用于解释分子机制的推理依据。这些推理依据由一个专有的教师 LLM 生成，该模型在提示下对已知的药敏结果进行机制解释。该教师模型通过 TogoMCP 接入一组生物医学知识图谱数据库，使每一步推理都建立在检索到的证据基础之上。在一个外推基准测试中，BacteReason 相较于未经调优的基线模型实现了 43% 的相对提升，相较于在无推理依据条件下对同一基础 LLM 进行微调的模型实现了 38% 的相对提升，这表明推理监督能够提高预测准确性。

抗菌药物耐药性（AMR）在全球范围内的迅速传播，已对临床决策造成前所未有的压力。尽管已有用于预测抗生素敏感性的机器学习模型，但其缺乏机制层面的支撑，限制了其可信度。我们提出了 BacteReason，这是一种推理型大型语言模型（LLM），能够预测细菌对目标抗生素的敏感性，并同时给出机制性解释。BacteReason 通过在临床药敏数据上对一个开放权重的 LLM 进行微调而获得，所用数据还包含了解释分子机制的推理依据。这些推理依据由一个专有的教师 LLM 生成，该模型通过提示来解释已知的药敏结果。该教师模型通过 TogoMCP 与一组生物医学知识图谱数据库相连接，从而使每一步推理都建立在检索到的证据之上。在一项外推基准测试中，BacteReason 相较于未经调优的基线模型实现了 43% 的相对提升，相较于在无推理依据数据上微调的相同基础 LLM 实现了 38% 的相对提升，表明推理监督能够提高预测准确性。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.04.730229v1?rss=1

🏷️ 抗菌药物耐药性 药敏预测 大语言模型 机制推理 临床微生物数据