論文の概要: Where Black-box Drug-Target Interaction Prediction Models Look: Cross-Method Explainability

• arxiv url: http://arxiv.org/abs/2606.14245v1
• Date: Fri, 12 Jun 2026 08:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.825365
• Title: Where Black-box Drug-Target Interaction Prediction Models Look: Cross-Method Explainability
• Title（参考訳）: ブラックボックスのドラッグとターゲットの相互作用予測モデル:クロスメソッドの説明可能性
• Authors: Ali Vefghi, Zahed Rahmati, Mohammad Akbari,
• Abstract要約: 3つの異なるデータセット上でブリッジDPIアーキテクチャの解釈可能性監査を行う。 生の入力、橋梁類似性の足場、およびグラフ畳み込みによる感度と符号効果を要約する。 その結果,モデル批判として扱う場合,説明可能性が最も有益であることが示唆された。
• 参考スコア（独自算出の注目度）: 4.792942098478821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug-target interaction (DTI) and affinity (DTA) predictors increasingly achieve strong benchmark scores, yet their internal use of sequence, fingerprint, and graph features often remains opaque. We present an interpretability audit of BridgeDPI architecture on three different datasets including Gao, Human, and C.elegans. This study combines gradient-based attributions -- integrated gradients, saliency, layer-wise relevance propagation, SmoothGrad, and SmoothGrad-IG -- with feature-wise occlusion ablation and strict intersection consensus across methods to reduce single-explainer bias. We summarize sensitivity and signed effects at raw inputs, at the bridge similarity scaffold, and through the graph convolution, including edge-level sensitivities and targeted edge removals. The results show that explainability is most informative when treated as model criticism: it reveals modality dominance, padding and special-token artifacts, dataset-dependent cooperative versus suppressive effects across layers, and chemistry-consistent fragment and composition motifs where methods agree. These analyses do not substitute for structural or experimental ground truth, yet they can provide testable hypotheses for downstream validation in computational drug discovery pipelines. More broadly, applying modern XAI to contemporary DTI/DTA models is still an early pass over the rich structure implicit in trained weights and data -- yet even this first layer of scrutiny already helps researchers relate predictions to drug- and target-side representations and to prioritize external validation.
• Abstract（参考訳）: ドラッグ・ターゲット・インタラクション(DTI)とアフィニティ(DTA)予測器(DTA)は、ますます強力なベンチマークスコアを達成しているが、シークエンス、指紋、グラフなどの内部的利用はしばしば不透明である。 本稿では,Gao,Human,C.elegansの3つの異なるデータセット上で,BridgeDPIアーキテクチャの解釈可能性監査を行う。 この研究は、勾配に基づく属性 -- 積分勾配、塩分性、レイヤーワイド関連伝播、SmoothGrad、SmoothGrad-IG -- と、特徴的オクルージョンアブレーションと、メソッド間の厳密な交差コンセンサスを組み合わせることで、単一説明バイアスを減らす。 生の入力,橋梁類似性の足場,およびエッジレベルの感度や対象のエッジ除去を含むグラフ畳み込みを通じて,感度と署名効果を要約する。 その結果,モダリティの優位性,パディングと特殊目的のアーティファクト,階層間のデータセット依存的協調効果と抑制効果,手法が一致する化学一貫性の断片化と構成モチーフなど,モデル批判として扱う場合,説明可能性が最も有益であることが示唆された。 これらの分析は、構造的あるいは実験的な真実に代えてはいないが、計算薬物発見パイプラインにおける下流検証のための検証可能な仮説を提供することができる。 より広範に言えば、現代のDTI/DTAモデルに現代のXAIを適用することは、トレーニングされた重量やデータに暗黙的に暗示されるリッチな構造の早期パスである。

関連論文リスト

• NeuroTrace: Inference Provenance-Based Detection of Adversarial Examples [1.096626056612224]
  Inference Provenance Graphs (IPGs) を用いた推論前駆体分析フレームワークであるNeuroTraceを紹介する。 IPGは、モデルの前方通過中にアクティベーション動作とパラメータ誘起データフローの両方をキャプチャする異種グラフである。 攻撃中, マルチアタック, クロススリート転送設定下での逆例検出のためのIPGベース検出器の評価を行った。
  論文  参考訳（メタデータ） (2026-04-15T22:23:40Z)
• Causal Discovery with Mixed Latent Confounding via Precision Decomposition [0.0]
  微分可能およびスコアベースDAG学習者は、グローバル潜伏効果を因果エッジと誤解釈することができる。 我々は,これらの役割を分離したモジュール型高精度パイプラインであるtextscDCL-DECORを提案する。
  論文  参考訳（メタデータ） (2025-12-31T08:03:41Z)
• Structure-Aware Contrastive Learning with Fine-Grained Binding Representations for Drug Discovery [3.1716746406651457]
  この研究は、構造的先駆体をタンパク質表現に統合する配列に基づく薬物-標的相互作用フレームワークを導入する。 このモデルはHumanおよびBioSNAPデータセットの最先端のパフォーマンスを実現し、BindingDBと競合する。
  論文  参考訳（メタデータ） (2025-09-18T09:38:46Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• SOC-DGL: Social Interaction Behavior Inspired Dual Graph Learning Framework for Drug-Target Interaction Identification [6.776003706755337]
  SOC-DGLは親和性を持つ薬物標的グラフを用いてグローバルな類似性を学習する。 バランス理論に基づく偶数多項式グラフフィルタを用いて、偶数ホップ近傍の影響を増幅することにより、高次類似性を捉える。 SOC-DGLは、バランスのとれたシナリオと不均衡なシナリオの両方で、既存の最先端メソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-02T08:00:24Z)
• A Generalization Theory of Cross-Modality Distillation with Contrastive Learning [49.35244441141323]
  クロスモダリティ蒸留は、限られた知識を含むデータモダリティにとって重要なトピックである。 コントラスト学習に基づくクロスモーダルコントラスト蒸留(CMCD)の一般的な枠組みを定式化する。 我々のアルゴリズムは、様々なモダリティやタスクに対して、2-3%のマージンで既存のアルゴリズムを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-05-06T11:05:13Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Drug-Drug Interaction Prediction with Wasserstein Adversarial Autoencoder-based Knowledge Graph Embeddings [22.562175708415392]
  薬物・薬物相互作用のための知識グラフ埋め込みフレームワークを提案する。 本フレームワークでは, 高品質な負のサンプルを生成するために, オートエンコーダを用いる。 判別器は、正三重項と負三重項の両方に基づいて薬物と相互作用の埋め込みを学習する。
  論文  参考訳（メタデータ） (2020-04-15T21:03:29Z)

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。