Métodos de IA explicável para descoberta de medicamentos: Uma pesquisa sobre interpretabilidade, métricas e entendimento mecanicista

• A taxonomia multidimensional organiza métodos de XAI para estágios de decisão na descoberta de medicamentos. • Avaliação crítica das métricas de interpretabilidade para validade química e biológica. • Orientação orientada por tarefas para seleção de ferramentas XAI ao longo do pipeline de descoberta. • Insumos sobre explicações causais, multimodais e fundamentadas no conhecimento. • Identifica os principais desafios abertos para avançar a IA interpretável na modelagem molecular. A inteligência artificial (IA), incluindo aprendizado de máquina (ML) e aprendizado profundo (DL), está acelerando a descoberta de medicamentos ao melhorar a identificação de alvos, triagem virtual, absorção, distribuição, metabolismo, excreção e toxicidade (ADMET), e otimização de fármacos. O ciclo de vida do desenvolvimento de medicamentos se beneficia cada vez mais do suporte à decisão baseado em dados proporcionado por essas abordagens. No entanto, a natureza opaca dos modelos profundos limita sua adoção em contextos farmacêuticos, onde a interpretabilidade é crítica para priorização de compostos, avaliação de toxicidade e aceitação regulatória. A IA explicável (XAI) visa fechar essa lacuna fornecendo explicações compreensíveis para humanos (interpretabilidade) que apoiam a geração de hipóteses e racionalizações mecanicamente plausíveis e testáveis, enquanto exigem explicitamente a validação experimental subsequente. Esta revisão introduz uma nova taxonomia multidimensional de abordagens XAI adaptadas à descoberta de medicamentos, onde os métodos são organizados por modalidade de entrada, grau de transparência do modelo e objetivos de interpretabilidade, proporcionando uma estrutura centrada na tarefa para a seleção de métodos em estágios de decisão específicos. Analisamos criticamente técnicas essenciais, incluindo SHapley Additive exPlanations (SHAP), Local Interpretable Model-Agnostic Explanations (LIME), mapas de relevância, mecanismos de atenção, modelos substitutos, contrafactuais e inferência causal, juntamente com métricas de avaliação como fidelidade, estabilidade, esparsidade e interpretabilidade. Em contraste com revisões anteriores que se concentraram amplamente em aplicações específicas, nosso trabalho enfatiza a plausibilidade mecanicista, a concordância com as necessidades de tomada de decisão e as emergentes estruturas híbridas que integram raciocínio simbólico com dados multimodais para promover a interpretabilidade fundamentada no conhecimento químico e biológico. Ao integrar ferramentas agnósticas a métodos com esquemas de avaliação quantitativa e estudos de caso focados em decisões, esta pesquisa oferece um roteiro estruturado para a implementação de XAI na descoberta de medicamentos e avança a discussão sobre IA interpretável em domínios científicos de alto risco. Além disso, examinamos as limitações das abordagens XAI atuais, incluindo modos de falha documentados, como aprendizado por atalho e efeitos do tipo Clever Hans, e analisamos barreiras práticas que restringem a tradução de XAI em fluxos de trabalho reais de descoberta de medicamentos.