可解释图神经网络用于分子性质预测的定量评估
定量方法
2021-07-13 v2 机器学习
摘要
机器学习的进展催生了基于图神经网络的方法用于药物发现，在分子设计、化学合成规划与分子性质预测方面取得了有前景的结果。然而，当前图神经网络（GNNs）因缺乏可解释性而在药物发现中的接受度仍然有限。尽管可解释人工智能（XAI）技术的发展已缓解这一主要弱点，大多数可解释任务中的“ ground truth”指派最终依赖于人类的主观判断，因此模型解释的质量难以定量评估。本工作中，我们首先构建三个层次的基准数据集，以定量评估 SOTA GNN 模型的可解释性。随后我们实现了近期 XAI 方法并与不同 GNN 算法结合，以凸显其在药物发现中的益处、局限与未来机遇。结果表明，GradInput 与 IG 通常为 GNNs 提供最佳模型可解释性，尤其当与 GraphNet 和 CMPNN 结合时。集成并开发的 XAI 包已完全开源，可供从业者用于在其他药物发现任务上训练新模型。
引用
@article{arxiv.2107.04119,
title = {Quantitative Evaluation of Explainable Graph Neural Networks for Molecular Property Prediction},
author = {Jiahua Rao and Shuangjia Zheng and Yuedong Yang},
journal= {arXiv preprint arXiv:2107.04119},
year = {2021}
}