药物发现中的可解释深度学习
机器学习
2019-03-19 v2 定量方法
机器学习
摘要
如果没有任何解释手段，预测分子性质和生物活性的神经网络仅仅是黑箱。我们将揭开这些黑箱，并展示理解隐藏在这些模型内部的所学表示的方法。我们展示了单个神经元如何被解释为判断类药效团或类毒基团结构存在与否的分类器，从而为化学、药理学和生物化学产生新的见解和相关知识。我们进一步讨论了如何通过识别化合物中对网络预测最重要的组分，从网络中确定这些新颖的药效团/毒基团。此外，我们提出了一种可用于从模型中提取新药效团的方法，并将表明这些提取出的结构与文献发现一致。我们设想，获取此类可解释知识是在新药理活性分子的开发与设计中至关重要的辅助手段，并有助于调查和理解为当前方法的失败与成功。
引用
@article{arxiv.1903.02788,
title = {Interpretable Deep Learning in Drug Discovery},
author = {Kristina Preuer and Günter Klambauer and Friedrich Rippmann and Sepp Hochreiter and Thomas Unterthiner},
journal= {arXiv preprint arXiv:1903.02788},
year = {2019}
}
备注
Code available at https://github.com/bioinf-jku/interpretable_ml_drug_discovery