論文の概要: Combining Deep Learning and Explainable AI for Toxicity Prediction of Chemical Compounds

• arxiv url: http://arxiv.org/abs/2510.22572v1
• Date: Sun, 26 Oct 2025 08:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.249837
• Title: Combining Deep Learning and Explainable AI for Toxicity Prediction of Chemical Compounds
• Title（参考訳）: 深層学習と説明可能なAIを組み合わせた化学物質の毒性予測
• Authors: Eduard Popescu, Adrian Groza, Andreea Cernat,
• Abstract要約: 本研究では,化学構造の2次元グラフィカル表現を処理するDenseNet121に基づく新しい画像ベースパイプラインを提案する。 我々は、モデル予測を解釈し、毒性分類に寄与する分子領域を強調するために、説明可能なAI技術であるGrad-CAM視覚化を用いる。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The task here is to predict the toxicological activity of chemical compounds based on the Tox21 dataset, a benchmark in computational toxicology. After a domain-specific overview of chemical toxicity, we discuss current computational strategies, focusing on machine learning and deep learning. Several architectures are compared in terms of performance, robustness, and interpretability. This research introduces a novel image-based pipeline based on DenseNet121, which processes 2D graphical representations of chemical structures. Additionally, we employ Grad-CAM visualizations, an explainable AI technique, to interpret the model's predictions and highlight molecular regions contributing to toxicity classification. The proposed architecture achieves competitive results compared to traditional models, demonstrating the potential of deep convolutional networks in cheminformatics. Our findings emphasize the value of combining image-based representations with explainable AI methods to improve both predictive accuracy and model transparency in toxicology.
• Abstract（参考訳）: ここでの課題は、計算毒性学のベンチマークであるTox21データセットに基づいて、化学物質の毒性活性を予測することである。 化学毒性のドメイン固有の概説の後、機械学習とディープラーニングに焦点をあて、現在の計算戦略について議論する。 いくつかのアーキテクチャは、性能、堅牢性、解釈可能性の観点から比較される。 本研究では,化学構造の2次元グラフィカル表現を処理するDenseNet121に基づく新しい画像ベースパイプラインを提案する。 さらに、モデル予測を解釈し、毒性分類に寄与する分子領域を強調するために、説明可能なAI技術であるGrad-CAM視覚化を用いる。 提案したアーキテクチャは従来のモデルと比較して競合的な結果が得られ、化学情報学における深層畳み込みネットワークの可能性を示す。 我々の研究は、画像に基づく表現と説明可能なAI手法を組み合わせることで、毒性学における予測精度とモデルの透明性の両方を改善することの重要性を強調した。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Graph Neural Networks in Modern AI-aided Drug Discovery [16.25759507753197]
  AI助薬発見のための強力なツールとして、グラフニューラルネットワーク(GNN)が登場した GNNは、薬物様分子の複雑な位相的および幾何学的特徴を学ぶための直感的で表現力豊かなフレームワークを提供する。 本総説では薬物発見におけるGNNの方法論的基礎と代表的応用について概説する。
  論文  参考訳（メタデータ） (2025-06-07T20:29:59Z)
• Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
  本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。 我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
  論文  参考訳（メタデータ） (2024-05-04T10:09:27Z)
• Benchmarking Toxic Molecule Classification using Graph Neural Networks and Few Shot Learning [0.0]
  従来のグラフ畳み込みネットワーク(GCN)は、限られたデータとクラス不均衡を伴う課題に直面している。 グラフ等化ネットワーク,マルチヘッドアテンション,およびグラフ上の大規模アドバイザリ拡張を個別に活用する。 我々はFew-Shot Learningを導入し、限られた注釈付きサンプルを用いてモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2023-11-22T16:07:32Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• Energy-based View of Retrosynthesis [70.66156081030766]
  エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。 本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。 このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
  論文  参考訳（メタデータ） (2020-07-14T18:51:06Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。