サブストラクチャを意識した損失を用いたグラフニューラルネットワークにおける化合物活性予測の説明

要旨 説明可能な機械学習は、化合物の特性予測を合理化するために、薬物発見においてますます使用されています。特徴帰属技術は、予測された特性の変化に寄与する分子サブストラクチャを特定するための一般的な手法です。しかし、確立された分子特徴帰属手法は、特に原子マスキングと組み合わせたランダムフォレストのような単純なモデリング手法と比較すると、グラフニューラルネットワーク（GNN）など人気の深層学習アルゴリズムに対して低い性能を示してきました。この問題を軽減するために、GNNの回帰目的を修正し、分子のペア間で共通のコア構造を特に考慮に入れることが提案されています。提案されたアプローチは、最近提案された説明可能性ベンチマークにおいてより高い精度を示しています。この方法論は、特定の化学系列が調査されるリード最適化の取り組みを含む薬物発見パイプラインにおけるモデル説明可能性を支援する可能性があります。