图神经网络助力小分子药物ADME属性优化
原文：MolLedger: An Additive Graph Neural Network with Chemically Grounded ADME Attributions
优化吸收、分布、代谢和排泄（ADME）是小分子药物发现的重要环节。许多机器学习模型已被用于预测ADME性质以促进这一优化过程，但解释模型预测具有挑战性。我们提出了一种新的图神经网络架构，内置有意义的逐原子归因。我们的模型MolLedger输出的预测是逐原子分数之和。MolLedger的加性框架在完全不损失性能的情况下实现了精确的可解释性，因为全局上下文向量为加性头提供了足够的上下文以产生良好的逐原子分数。此外，MolLedger产生的归因比其他可解释性方法更忠实于化学性质，因为MolLedger中的辅助损失将原子分数锚定在化学性质上。我们对多方法在分子对上的解释进行的案例研究表明，MolLedger在为预测的性质变化生成合理解释方面明显更优。作者：Christina X. Ji。分类：cs.LG