ISAAC：用于药物-靶点相互作用深度模型因果推理审计
机器学习
2026-05-06 v1 统计计算
机器学习
摘要
药物-靶点相互作用（DTI）预测的深度学习模型通常在不一定依赖机制性有意义分子特征的情况下即可实现强劲的基准性能，而这一局限性无法被标准的基于准确性的评估方法检测到。我们引入ISAAC（Intervention-based Structural Auditing Approach for Causal Reasoning，即基于干预的结构审计方法），这是一种后置框架，用于通过探针化冻结模型，施加匹配的机制性干预与虚构性输入级干预，以评估先验相对结构灵敏性，独立于预测准确性。应用于达斯基准数据集上的三种基于序列的DTI架构时，ISAAC揭示了在AUROC相近（相差约3%）的模型之间，在推理得分上存在约25%的相对差异，这种差异在训练和干预随机种子以及两种不同扰动算子下保持稳定。这一差异在传统准确性指标下难以检测，动机是将后置结构审计作为科学机器学习中分子建模标准性能评估的补充手段。
引用
@article{arxiv.2605.02962,
title = {ISAAC: Auditing Causal Reasoning in Deep Models for Drug-Target Interaction},
author = {Barbara Tarantino and Sun Kim and Yijingxiu Lu and Paolo Giudici},
journal= {arXiv preprint arXiv:2605.02962},
year = {2026}
}
备注
11 Pages