基于多智能体强化学习反事实解释的药物靶点预测
人工智能
2021-06-03 v2 机器学习
摘要
动机：已提出许多高性能 DTA 模型，但它们多为黑盒，因而缺乏人类可解释性。可解释 AI（XAI）可使 DTA 模型更可信，并能使科学家从模型中提炼生物学知识。反事实解释是解释深度神经网络行为的一种流行方法，其通过系统性回答“若输入以这种方式改变，模型输出将如何变化？”来工作。多数反事实解释方法仅作用于单输入数据。如何将基于反事实的 XAI 方法扩展到 DTA 模型仍是一个开放问题，DTA 模型有两个输入（一个药物、一个靶点），且本质上为离散。方法：我们提出多智能体强化学习框架——多智能体反事实药物靶点结合亲和力（MACDA），为药物-蛋白质复合物生成反事实解释。我们所提框架提供人类可解释的反事实实例，同时优化输入药物与靶点以进行反事实生成。结果：我们使用 Davis 数据集对提出的 MACDA 框架进行基准测试，发现我们的框架在编码相似性与 QED 衡量的解释有效性无损失下，产生更简洁的解释。随后我们给出涉及 ABL1 与 Nilotinib 的案例研究，展示 MACDA 如何解释 DTA 模型在其预测中输入间底层子结构交互的行为，揭示与先前领域知识一致的机制。
引用
@article{arxiv.2103.12983,
title = {Counterfactual Explanation with Multi-Agent Reinforcement Learning for Drug Target Prediction},
author = {Tri Minh Nguyen and Thomas P Quinn and Thin Nguyen and Truyen Tran},
journal= {arXiv preprint arXiv:2103.12983},
year = {2021}
}