論文の概要: Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants

• arxiv url: http://arxiv.org/abs/2605.24742v1
• Date: Sat, 23 May 2026 21:33:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.359064
• Title: Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants
• Title（参考訳）: InChIfied不変量による化学同一性を持つ分子グラフ記述のアライメント
• Authors: Emanuele Guidotti, Sara Puglioli,
• Abstract要約: InChIfied Invariantsは、化学的アイデンティティを保持する変換の下で不変であるように設計されている。 InChIfied Invariantsは99.62%のケースにおいて、化学的に等価なグラフに対して同じ表現を生成することを示す。 InChIfied Invariantsを実装したオープンソースソフトウェアをリリースする。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Obtaining consistent explanations for machine learning on molecular graphs requires predictions and attributions to be aligned with chemical identity. However, chemically equivalent drawings of the same molecule can induce different molecular representations, leading to inconsistent predictions and explanations. Here, we introduce InChIfied Invariants, a class of node, edge, and graph features based on the International Chemical Identifier (InChI) and designed to be invariant under transformations that preserve chemical identity. Using one million molecular graphs from PubChem Substances, we show that InChIfied Invariants produce identical representations for chemically equivalent graphs in 99.62% of cases, whereas standard Daylight invariants do so in only 0.35% of cases. Across MoleculeNet tasks, InChIfied Invariants preserve predictive performance while significantly improving prediction consistency across alternative graph depictions of the same molecules. We further perform a quantitative attribution analysis and show that explanations produced with standard molecular featurization methods vary substantially across chemically equivalent graphs, while InChIfied Invariants enforce consistent attributions by construction. We release open-source software implementing InChIfied Invariants, which can be used as a drop-in replacement for standard molecular graph features.
• Abstract（参考訳）: 分子グラフ上での機械学習の一貫性のある説明を得るには、予測と属性を化学的なアイデンティティに合わせる必要がある。 しかし、同じ分子の化学的に等価な描画は異なる分子表現を誘導し、矛盾した予測と説明をもたらす。 ここでは,国際化学同定器(InChI)に基づくノード,エッジ,グラフの特徴のクラスであるInChIfied Invariantsを紹介する。 PubChem 物質からの100万の分子グラフを用いて、InChIfied Invariants は99.62%のケースで化学的に等価なグラフに対して同一の表現を生成するのに対し、標準のDaylight 不変量は0.35%のケースで同じことを示している。 MoleculeNetタスク全体では、InChIfied Invariantsは予測性能を保ちながら、同じ分子の代替グラフの描写における予測一貫性を大幅に改善する。 さらに、定量的帰属分析を行い、標準分子破砕法で生成した説明は、化学的に等価なグラフで大きく異なる一方、InChIfied Invariantsは、構築による一貫した帰属を強制することを示す。 InChIfied Invariantsを実装したオープンソースソフトウェアをリリースする。

関連論文リスト

• MolecularIQ: Characterizing Chemical Reasoning Capabilities Through Symbolic Verification on Molecular Graphs [8.534690300929343]
  分子の性質の推論には 分子グラフを解析し 理解する能力が必要です 大規模言語モデル(LLM)は、化学、分子名変換、キャプション、テキスト誘導生成、特性や反応予測といったタスクにますます応用されている。 我々は,分子構造推論ベンチマークである分子IQを紹介した。
  論文  参考訳（メタデータ） (2026-01-21T18:58:01Z)
• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
  既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。 種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• Deconstructing equivariant representations in molecular systems [6.841858294458366]
  本稿では,QM9データセット上での単純な同変グラフ畳み込みモデルを用いた実験について報告する。 我々の重要な発見は、スカラー予測タスクでは、多くの既約表現はトレーニング中に単純に無視されることである。 経験的に,未使用の球面高調波の除去がモデル性能を向上させることを示す。
  論文  参考訳（メタデータ） (2024-10-10T17:15:46Z)
• Classifier-free graph diffusion for molecular property targeting [14.488714063757278]
  この研究は、プロパティターゲティング、すなわち、ターゲットの化学的性質に条件付けられた分子を生成するタスクに焦点を当てている。 本稿では,条件情報を直接学習プロセスに注入して動作する分類器フリーなDiGress(FreeGress)を提案する。 提案手法は,DieGressのプロパティターゲティングタスクに対して,平均絶対誤差を最大79%改善することを示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:38Z)
• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Property-aware Adaptive Relation Networks for Molecular Property Prediction [34.13439007658925]
  分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。 我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
  論文  参考訳（メタデータ） (2021-07-16T16:22:30Z)

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。