可解释人工智能在药物研究分子设计中的应用

本文探讨了可解释人工智能在药物研究分子设计中的应用。背景方面，随着机器学习和深度生成模型在药物发现（如性质预测和生成式设计）中的广泛应用，其“黑盒”特性导致预测难以理解，限制了科学验证和实际应用，因此提高模型透明度成为关键需求。研究目的旨在介绍不同的可解释人工智能方法（如特征归因、基于规则和基于实例的方法），分析其在分子设计中的具体应用、局限性和评估挑战，并探讨如何将模型解释转化为人类可理解的化学知识以支持因果推理。结论指出，在分子设计中提供可理解的解释至关重要，整合化学领域知识有助于调整方法，对于复杂的Transformer模型，有效的解释方法仍处于早期阶段，未来需开发以人为中心的新方法（如反事实解释）来构建可验证假设，以提升模型在药物发现中的实际影响力。