論文の概要: Explainability from Training with Applications to TCR-Epitope Prediction

• arxiv url: http://arxiv.org/abs/2609.36354v1
• Date: Mon, 28 Sep 2026 22:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.046039
• Title: Explainability from Training with Applications to TCR-Epitope Prediction
• Title（参考訳）: TCR-Epitope予測への応用
• Abstract要約: 本稿では,トレーニング中のモデル解釈をトレースするモデルに依存しないパラダイムであるEFTについて説明する。 EFTを4つの最先端T細胞受容体(TCR)-エピトープ予測モデル、CNN、トランスフォーマー、CNNに適用する。 モデル説明に特有の構造情報がどう影響するかを調べるため、388の実験的に解決されたTCR-epitope構造を含むベンチマークTCR-XAI2を導入する。
• 参考スコア（独自算出の注目度）: 31.62439146845817
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models have achieved strong performance in artificial intelligence for science, yet their black-box nature limits our understanding of how they learn scientific tasks. Existing methods for interpretability provide limited insight into how models organize evidence and evolve during learning. We introduce explainability from training (EFT), a model-agnostic paradigm that traces model interpretation during training to explain why models rely on specific features and how they organize these features as predictive evidence. We apply EFT to four state-of-the-art T cell receptor (TCR)-epitope prediction models, TCR-SRIM, TULIP, MixTCRpred, and NetTCR-2.2, spanning post-hoc and interpret-by-design approaches as well as transformers and CNNs. To investigate how structural information affects model explanations, we introduce a benchmark, TCR-XAI2, containing 388 unique experimentally resolved TCR-epitope structures, complemented by structures predicted using AlphaFold3, Boltz-2, TCRModel2, tFold-TCR, and OpenFold3. Using EFT with TCR-XAI2, we demonstrate that (1) CNN and transformer models exhibit distinct learning trajectories; (2) TCR $α$ and $β$ evidence can conflict during learning, limiting the benefits of jointly modeling both chains, while MHC information mitigates this; and (3) real versus predicted structural data for TCR-epitope prediction exhibits distinct TCR and peptide feature preferences as well as differing trajectories of model certainty.
• Abstract（参考訳）: ディープラーニングモデルは、科学のための人工知能において強力なパフォーマンスを達成してきたが、そのブラックボックスの性質は、彼らが科学的タスクをどのように学習するかの理解を制限している。 既存の解釈可能性の手法は、モデルがどのようにエビデンスを組織し、学習中に進化するかについての限られた洞察を提供する。 ここでは,モデルが特定の特徴に依存している理由と,それらの特徴を予測的証拠として整理する方法を説明するために,トレーニング中のモデル解釈をトレースするモデル非依存のパラダイムであるEFTについて紹介する。 我々は,TCR-epipe予測モデルであるTCR-SRIM,TULIP,MixTCRpred,NetTCR-2.2にETFを適用した。 構造情報のモデル説明への影響を調べるため,AlphaFold3,Boltz-2,TRModel2,tFold-TCR,OpenFold3を用いて予測された388のユニークなTCR-epitope構造を含むベンチマークTCR-XAI2を導入する。 TCR-XAI2 を用いた EFT を用いて,(1) CNN と変換器モデルが異なる学習軌跡を示すこと,(2) TCR $α$ と $β$ のエビデンスが学習中に衝突し,両者の連成モデリングの利点を制限すること,(3) TCR-epitope 予測のための実対予測構造データが,TCR-epitope 予測のTCR と peptide の特徴嗜好を示すこと,およびモデルの確実性の相違を示すことを実証した。

関連論文リスト

• LimiX-2: A Contextual Mechanism Network Towards General Structured-Data Intelligence [54.21298601916397]
  LimiX-2は、以前に確立されたスケーリング法則によって導かれるモデルとデータスケーリングによって開発されている。 LimiX-2はコンテキストメカニズムネットワーク(CMN)パラダイムを採用し、コンテキスト・コンディション・マスケッド・モデリング(CCMM)で事前訓練されている。 CCMMは、コンテキスト内学習の組織的原則を目標中心の予測からメカニズム指向の関節モデリングにシフトさせる。
  論文  参考訳（メタデータ） (2026-09-15T17:30:02Z)
• Structure-Regularized Interpretable TCR-Epitope Prediction [32.262305380940724]
  T細胞受容体(TCR)-エピトープ結合予測は適応免疫の理解と免疫療法の開発に不可欠である。 既存のシーケンスモデルと構造ベースのモデルは、しばしばアンセエンスに貧弱に一般化し、限定的な解釈性を提供する。 本稿では,タンパク質言語モデル埋め込みと解釈可能な接触プロトタイプを組み合わせた構造規則化解釈型設計モデルTCR-SRIMを提案する。
  論文  参考訳（メタデータ） (2026-06-29T20:48:35Z)
• Why Does It Look There? Structured Explanations for Image Classification [31.62439146845817]
  Interpretability to Explainability (I2X)は、構造化されていない解釈可能性から直接構造化された説明を構築するフレームワークである。 I2Xは、異なるモデルアーキテクチャとデータセット間の予測を改善するために使用できることを示す。
  論文  参考訳（メタデータ） (2026-03-10T21:15:14Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Explainable CTR Prediction via LLM Reasoning [6.836445921587037]
  大規模言語モデルに基づく説明生成をCTR予測プロセスに直接組み込む新しいフレームワークであるExpCTRを提案する。 ExpCTRは3つの実世界のデータセット間のレコメンデーション精度と解釈可能性の両方を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2024-12-03T17:17:27Z)
• Explaining Text Similarity in Transformer Models [52.571158418102584]
  説明可能なAIの最近の進歩により、トランスフォーマーの説明の改善を活用することで、制限を緩和できるようになった。 両線形類似性モデルにおける2次説明の計算のために開発された拡張であるBiLRPを用いて、NLPモデルにおいてどの特徴相互作用が類似性を促進するかを調べる。 我々の発見は、異なる意味的類似性タスクやモデルに対するより深い理解に寄与し、新しい説明可能なAIメソッドが、どのようにして深い分析とコーパスレベルの洞察を可能にするかを強調した。
  論文  参考訳（メタデータ） (2024-05-10T17:11:31Z)
• Multi-Aspect Explainable Inductive Relation Prediction by Sentence Transformer [60.75757851637566]
  本稿では,モデル学習に先立って信頼できない経路をフィルタリングし,モデル性能を高めるための関係経路カバレッジと関係経路信頼の概念を紹介する。 知識グラフにおける帰納関係を予測するために,知識推論文変換器(KRST)を提案する。
  論文  参考訳（メタデータ） (2023-01-04T15:33:49Z)
• On the Interpretability of Deep Learning Based Models for Knowledge Tracing [5.120837730908589]
  知識追跡により、Intelligent Tutoring Systemsは、学生が習得したトピックやスキルを推測することができる。 Deep Knowledge Tracing(DKT)やDynamic Key-Value Memory Network(DKVMN)といったディープラーニングベースのモデルは、大幅に改善されている。 しかし、これらのディープラーニングベースのモデルは、ディープニューラルネットワークによって学習される意思決定プロセスが完全には理解されていないため、他のモデルほど解釈できない。
  論文  参考訳（メタデータ） (2021-01-27T11:55:03Z)
• Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
  本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。 具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。 実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
  論文  参考訳（メタデータ） (2020-05-13T04:03:21Z)

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。