Mar, 2019

药物发现中的可解释深度学习

PDF
TL;DR本文旨在揭示预测分子性能和生物活性的神经网络是如何生成并理解隐藏于模型中的学习表示的。我们提出了一种解释神经元如何被用作分类器的方法，用以确定具有药效或毒性结构的成分，从而为化学、药理学和生物化学领域提供新的视角与重要的知识。此外，我们还提出了一种从模型中提取新型药效或毒性结构的方法，并证明这些结构与文献中的发现是一致的。通过这些可解释的知识，我们能更好地开发和设计新的药物分子，同时理解当前方法的失败和成功。
neural networksinterpretationpharmacophorestoxicophoresmolecular properties
发现论文，激发创造
  • 从深度神经网络中提取知识及其在医疗领域的应用

    本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

    Dec, 2015

  • 利用归因来解码化学神经网络模型中的数据集偏差

    研究了如何用 attribution method 对深度神经网络模型进行解释，发现存在数据集偏差，进一步提出了一种测试数据集偏差的方法，为揭示药物作用机理提供了重要指导。

    Nov, 2018

  • PharmacoNet：药理网络：通过药效团建模加速基于结构的虚拟筛选

    PharmacoNet 是一种深度学习框架，通过与生成的药效团配位体之间的粗粒化图形匹配，解决了现有方法中昂贵的配位体姿态采样和评分过程，从而显著提高了结构基准方法的速度，同时通过简单的评分函数保持了合理的准确性，并在严格的预筛选阈值下有效保留了命中候选物，揭示了药效团建模方法在基于深度学习的药物发现中迄今未被开发的潜力。

    Oct, 2023

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018

  • 神经网络解释易受伤

    本文探究了解释深度学习预测的方法对于随机扰动的敏感性，发现即使对于具有同一预测标签的两个感官不可分的输入，这些方法也会得出非常不同的解释结果，并分析了导致这种脆弱性的几何原因。

    Oct, 2017

  • 用于促进药物发现的化学空间的深度学习视角

    该论文介绍了一种基于深度学习技术的神经网络模型 DESMILES，其可以用于药物发现中的分子设计，实验结果表明 DESMILES 比现有模型更有效地改进了输入分子，降低了失败率，并可用于修改分子以促进其在不同受体中的结合亲和力。

    Feb, 2020

  • 用于药物发现的深度图生成模型可视化

    提出了一种可视化框架，用于可视化深度图形生成模型的编码和解码过程中生成的分子，并提供实时分子优化功能，这完善了黑盒子人工智能驱动的药物发现模型的可解释性。

    Jul, 2020

  • 利用物理信息神经网络发现固有的多区间药物动力学模型

    本研究引入了 PKINNs，这是一种全新的纯数据驱动药代动力学信息网络模型，通过符号回归方法，它能高效地发现和建模基于多室的药代动力学结构，并可靠地预测其衍生物。我们的计算框架展示了在药物代谢动力学应用中发现闭合形式模型的潜力，从而解决了传统模型推导的劳动密集性问题，随着大型数据集的日益丰富，该框架有望显著增强基于模型的药物发现。

    Apr, 2024

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020

  • 单细胞组学中的可解释深度学习

    最近单细胞组学技术取得了突破性的发展，使得能够以前所未有的分辨率对个体细胞中的分子特征进行量化。深度学习作为机器学习中一个迅速发展的子领域，由于其在分析异质高维单细胞组学数据方面的显着成功而引起了人们的极大兴趣。然而，深度学习模型固有的多层非线性结构通常使其成为一个 “黑箱”，因为预测背后的推理往往是未知的，用户无法了解到其透明性。这促使了越来越多的研究工作来解决深度学习模型中缺乏可解释性的问题，特别是在单细胞组学数据分析中，分子调控因子的识别和理解对于解释模型预测并引导下游实验验证是至关重要的。本文介绍了单细胞组学技术的基础知识和可解释深度学习的概念，随后回顾了近期应用于各种单细胞组学研究的可解释深度学习模型。最后，我们强调了当前的限制因素并讨论了未来可能的发展方向。我们期望本综述将汇集单细胞和机器学习研究社区，促进可解释深度学习在单细胞组学研究中的未来发展和应用。

    Jan, 2024