MARS: A neurosymbolic approach for interpretable drug discovery

要約

ニューロシンボリック (NeSy) 人工知能は、ロジックまたはルールベースの技術とニューラル ネットワークの組み合わせを記述します。
神経的アプローチと比較して、NeSy 手法は解釈可能性が向上していることが多く、これは特に創薬などの生物医学的応用に有望です。
ただし、解釈可能性は広義に定義されているため、モデルの解釈の生物学的妥当性を評価するための明確なガイドラインはありません。
創薬の文脈における解釈可能性を評価するために、私たちは、関連するカスタマイズされたナレッジ グラフ (KG)、MoA-net を使用した、薬物作用機序 (MoA) デコンボリューションと呼ばれる新しい予測タスクを考案します。
次に、学習されたルールの重みを持つ論理ルールを活用する NeSy の創薬アプローチである MoA 検索システム (MARS) を開発します。
この解釈可能な機能をドメイン知識と併せて使用すると、KG に対する MARS やその他の NeSy アプローチは、真のラベルの予測がドメインベースのルールではなく「度バイアス」によって駆動される推論ショートカットの影響を受けやすいことがわかります。
続いて、これを特定して軽減する方法を示します。
その後、MARS は、既知の MoA に合わせたモデル解釈を生成しながら、現在の最先端モデルと同等のパフォーマンスを達成します。

要約(オリジナル)

Neurosymbolic (NeSy) artificial intelligence describes the combination of logic or rule-based techniques with neural networks. Compared to neural approaches, NeSy methods often possess enhanced interpretability, which is particularly promising for biomedical applications like drug discovery. However, since interpretability is broadly defined, there are no clear guidelines for assessing the biological plausibility of model interpretations. To assess interpretability in the context of drug discovery, we devise a novel prediction task, called drug mechanism-of-action (MoA) deconvolution, with an associated, tailored knowledge graph (KG), MoA-net. We then develop the MoA Retrieval System (MARS), a NeSy approach for drug discovery which leverages logical rules with learned rule weights. Using this interpretable feature alongside domain knowledge, we find that MARS and other NeSy approaches on KGs are susceptible to reasoning shortcuts, in which the prediction of true labels is driven by ‘degree-bias’ rather than the domain-based rules. Subsequently, we demonstrate ways to identify and mitigate this. Thereafter, MARS achieves performance on par with current state-of-the-art models while producing model interpretations aligned with known MoAs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google