PulseAugur
中
实时 00:56:27
English(EN) What Molecular Structure Cannot Tell Us: A Taxonomy of Explainability Gaps in GNN-Based Drug Toxicity Prediction

研究发现GNN在预测药物毒性方面存在不足

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新发表在arXiv上的研究探讨了图神经网络（GNNs）在预测药物毒性方面的局限性，特别是针对乙酰水杨酸（阿司匹林）。研究发现，仅凭分子结构只能解释阿司匹林已知不良反应的大约45%。为解决此问题，该研究引入了一个四类可解释性差距分类法，强调了不可编码效应、数据缺失、检测方法不匹配和表示错误等问题。这些发现对药物安全监测和监管实践具有重要意义。 AI

影响 强调了当前AI模型在完全捕捉药物安全信号方面的局限性，表明在药物研究中需要更全面的数据和方法。

排序理由 该集群包含一篇研究论文，详细介绍了GNN药物毒性预测中可解释性差距的新分类法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

研究发现GNN在预测药物毒性方面存在不足

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Juergen Dietrich ·

    分子结构无法告诉我们的：基于GNN的药物毒性预测中可解释性差距的分类法

    arXiv:2605.26183v1 Announce Type: cross Abstract: Graph Neural Networks (GNNs) have emerged as a structurally natural approach for molecular toxicity prediction, operating directly on atomic connectivity without the information loss inherent to fixed-length fingerprints. However,…

相关实体

相关话题