逐层图解释揭示分子基团

Jan, 2024

Unveiling Molecular Moieties through Hierarchical Graph Explainability

Paolo Sortino, Salvatore Contino, Ugo Perricone, Roberto Pirrone

TL;DR通过使用图卷积架构的图神经网络，本研究提出了一种高准确性的多目标筛选方法，并采用分层的可解释人工智能技术，通过信息传递机制在原子、环和整个分子级别捕获相关物质，进而实现了对生物活性预测的重要性质的发现。

Abstract

Background: graph neural networks (GNN) have emerged in very recent years as a powerful tool for supporting in silico virtual screening. In this work we present a GNN which uses Graph Convolutional architectures

graph neural networks virtual screening explainable artificial intelligence cyclin-dependent kinase targets molecular substructures

发现论文，激发创造

MAGE: 基于构图模式的模型层面图神经网络解释

通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

May, 2024

图神经网络可解释性调查

本文综述了现有的图神经网络可解释性技术，提出了分类方法并分别讨论了各类的优缺点、应用场景及评估指标，以协助研究人员和从业者了解现有的可解释性方法，识别不足并促进可解释性机器学习的进一步发展。

Jun, 2023

构建可解释的稀疏学习图神经网络用于药物 - 蛋白质结合预测

我们提出了一种使用稀疏学习在图神经网络中的方法（SLGNN），该方法通过使用基于化学亚结构的图来表示药物分子，并结合广义融合套索和消息传递算法来识别对于药物 - 蛋白质结合预测至关重要的连接子图。结果表明，SLGNN 识别出的关键结构在化学上是有效的，具有较高的预测能力，并且包含了大部分结合位点。

Aug, 2023

GNNAnatomy: 图神经网络的多层解释的系统生成与评估

GNNAnatomy 是一个模型和数据集通用的视觉分析系统，利用 graphlets 来解释 Graph Neural Networks 在图级分类任务中的行为，并通过两个指标验证推测的 graphlet 解释的有效性和对分类结果的影响。

Jun, 2024

基于分子力学驱动的多重图图神经网络用于分子结构

该论文提出了一种基于分子力学的方法，通过将每个分子表示为一个双层多重图，并为每层提出相应的消息传递模块，设计了一种高效且表达能力强的分子结构图神经网络 MXMNet，可用于从分子结构预测物理化学性质，获得了优越的结果。

Nov, 2020

自解释图神经网络用于链路预测

本文提出一种自我可解释的 GNN 框架，可以同时给出精确的预测和解释，通过找到一个节点的各种 $k$ 个重要邻居，为该节点到其他节点的链接学习对特定的表示，从而得出解释。

May, 2023

半监督 GCN 学习分子结构 - 活性相关性

本文提出使用半监督学习训练图形神经网络来归因结构 - 属性关系，并将此方法应用于溶解度和分子酸度两个案例研究，以验证其与已知实验化学数据的一致性。该方法可为活性崖、引物优化和新药设计等问题提供有价值的工具。

Jan, 2022

自说明图神经网络探索

本文研究自解释图神经网络的新问题，提出了新的框架以实现可解释的节点分类，通过可解释的相似性模块以找到每个未标记节点的 $K$ 近邻标记节点，并在真实世界和合成数据集上进行了广泛的实验验证。

Aug, 2021

可解释图神经网络综述：分类和评估指标

本文全面梳理了针对可解释的图神经网络的技术，并基于这些技术对它们进行了分类，给出了衡量其性能的常见指标，最后指出了未来的研究方向。

Jul, 2022

图神经网络中的可解释性：分类调查

本文综述了当前图神经网络可解释性方法，并建立了标准化的测试集，为以后的方法发展提供了经验基础。

Dec, 2020