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

利用数据驱动方法、推理技术和机器学习增强模型的建模，针对阴极电泳沉积（EPD）进行建模，并通过实验数据的推理和可调整的模型增强方法来改进物理模型的系统性。

Jan, 2024

提出了一种可解释学习有效动力学（iLED）框架，通过融合 Mori-Zwanzig 和 Koopman 算子理论，实现与循环神经网络模型相当准确度的建模和仿真，具备可解释性，适用于解决高维度多尺度系统。

Sep, 2023

本文介绍了使用 VAMP (变分方法) 和神经网络构建的深度学习框架 VAMPnets 用于分子动力学模拟数据建模， 改进当前手工制作的模型， 提供了易于解释的少状态动力学模型。

Oct, 2017

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

本研究提出了一种名为神经解析器（Neural Interpreters）的架构，它将自我关注网络中的推理分解为一组模块，可以在宽度和深度上灵活地组成计算，并可在训练后进行容量扩展。我们的实验表明，该架构在图像分类和视觉抽象推理方面表现出了很高的性能，并能够很好地支持系统化的泛化。

Oct, 2021

神经语言模型在自然语言处理任务中学习复杂实体表示成为强大工具，然而在计算生物学等领域中，其可解释性仍然是一个重要挑战。本研究旨在通过识别和表征知识神经元增强蛋白质语言模型（特别是 ESM 模型）的可解释性，通过将 ESM 模型针对酶序列分类任务进行微调，在比较两种保留原始模型中的子集神经元的知识神经元选择方法方面取得了一致优于随机基准线的结果。尤其是这些方法表明自注意力模块的关键向量预测网络中存在高密度的知识神经元，考虑到关键向量专门用于理解输入序列的不同特征，这些知识神经元可以捕捉不同的酶序列基序知识。未来，可以对每个神经元所捕捉到的知识类型进行表征。

Dec, 2023

本论文讲述了一种完全基于数据驱动的模型，该模型学习执行一个反合成反应预测任务，将其作为序列到序列映射问题来处理。该模型为端到端的训练模型，具有编码器 - 解码器结构，包含两个递归神经网络，该模型通过对美国专利文献中的 50,000 个实验反应示例进行训练，拥有解决计算机反应分析的挑战性问题的重要前进一步。

Jun, 2017

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。

Mar, 2019

ElegansNet 是一种神经网络，其设计灵感来自真实世界的神经元网络电路，在理解连接组拓扑和深度学习系统之间的相互作用方面更为出色。该方法利用生物神经电路的强大表征能力来设计和生成构建与自然网络类似的深度学习系统，其中 C. elegans 连接组作为参考系统，提供一种高效解决复杂任务的生物可存储结构。

Apr, 2023