化学中的可解释图形神经网络:将归因和不确定性量化结合起来
Leonid Komissarov1, Nenad Manevski1, Katrin Groebke Zbinden1
1Roche Pharmaceutical Research and Early Development, F. Hoffmann-La Roche Ltd., CH-4070 Basel, Switzerland.
可解释图形神经网络 (GNN) 通过将不确定性归因于特定的分子特征来改善化学性质预测. 这提高了模型的可解释性,并为研发提供了可操作的见解.
科学领域:
- 计算化学计算化学
- 机器学习用于化学.
背景情况:
- 图形神经网络 (GNN) 是有效的化学性质预测.
- 在化学中,GNN的黑盒性质阻碍了信任和实际应用.
- 解释性和不确定性量化对于可靠的GNN部署至关重要.
研究的目的:
- 系统地评估化学中GNN的特征归属后期方法.
- 研究化学GNN中不确定性量化与特征赋值的整合.
- 为了提高化学研究的GNN模型的可解释性和可操作的见解.
主要方法:
- 评估各种后期特征归因技术 (例如特征除,沙普利值采样).
- 将不确定性量化策略与GNN架构集成.
- 适用于预测任务,如水溶性和分子量.
主要成果:
- 在特征归因和不确定性量化之间观察到强烈的协同作用.
- 将不确定性归因于特定的输入特征 (原子,子结构) 提供了细粒度模型的信心洞察力.
- 特性废除和Shapley值采样有效地确定了推动预测及其不确定性的分子亚结构.
结论:
- 结合特征归因和不确定性量化,可以显著提高化学GNN的解释性.
- 这种方法突出了潜在的数据缺口和模型局限性.
- 促进了更可靠和可操作的GNN模型的开发,用于化学研究和开发.
更多相关视频
10:22Split Point Analysis and Uncertainty Quantification of Thermal-Optical Organic/Elemental Carbon Measurements
Published on: September 7, 2019
05:37Rapid in-silico Battery Electrolyte Electrochemical Reaction Generation using 3T-VASP Multi-Scale Energy Minimization
Published on: August 22, 2025
相关概念视频
Uncertainty: Overview
Propagation of Uncertainty from Systematic Error
Inductive Effects on Chemical Shift: Overview
The Uncertainty Principle
Experimental Determination of Chemical Formula
Propagation of Uncertainty from Random Error
