一篇新的研究论文探讨了黑箱药物-靶点相互作用（DTI）预测模型的可解释性，特别是审计了BridgeDPI架构。该研究结合使用基于梯度的归因方法和逐特征遮挡技术，以理解这些模型如何利用序列、指纹和图特征。研究结果表明，可解释性可以作为模型评估的关键工具，揭示模态主导、伪影模式和特定数据集行为等问题，从而为药物发现中的进一步验证产生假设。 AI
影响 增强了对AI模型在药物发现领域行为的理解，可能带来更可靠、更具可解释性的计算药物设计。
排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了一种用于解释药物发现领域AI模型的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14245v1 Announce Type: new Abstract: Drug-target interaction (DTI) and affinity (DTA) predictors increasingly achieve strong benchmark scores, yet their internal use of sequence, fingerprint, and graph features often remains opaque. We present an interpretability audit…
Drug-target interaction (DTI) and affinity (DTA) predictors increasingly achieve strong benchmark scores, yet their internal use of sequence, fingerprint, and graph features often remains opaque. We present an interpretability audit of BridgeDPI architecture on three different da…