Verwendung von „Kontrafaktualien“, um Vorhersagen zur Arzneimittelsicherheit zu überprüfen

Überblick über MMACE. Die Eingabe ist ein vorherzusagendes Molekül. Der chemische Raum wird erweitert und geclustert. Kontrafaktische Aussagen werden aus Clustern ausgewählt, um eine prägnante Erklärung für die Vorhersage von Basismolekülen zu finden. Anerkennung: Chemische Wissenschaft (2022). DOI: 10.1039/D1SC05259D

Wissenschaftler verlassen sich zunehmend auf Modelle, die mit maschinellem Lernen trainiert wurden, um Lösungen für komplexe Probleme bereitzustellen. Aber woher wissen wir, dass die Lösungen vertrauenswürdig sind, wenn die komplexen Algorithmen, die die Modelle verwenden, nicht leicht abzufragen sind oder Menschen ihre Entscheidungen nicht erklären können?

Dieses Vertrauen ist beispielsweise bei der Arzneimittelforschung von entscheidender Bedeutung, wo maschinelles Lernen verwendet wird, um Millionen potenziell toxischer Verbindungen zu sortieren, um festzustellen, welche möglicherweise sichere Kandidaten für pharmazeutische Arzneimittel sind.

„Es gab einige hochkarätige Unfälle in der Informatik, bei denen ein Modell die Dinge recht gut vorhersagen konnte, aber die Vorhersagen auf nichts Aussagekräftigem basierten“, sagt Andrew White, außerordentlicher Professor für Chemieingenieurwesen an der University of Rochester, in einem Interview mit Chemiewelt.

White und sein Labor haben eine neue „kontrafaktische“ Methode entwickelt, die in beschrieben wird Chemische Wissenschaftdie mit jedem molekularstrukturbasierten maschinellen Lernmodell verwendet werden kann, um besser zu verstehen, wie das Modell zu einer Schlussfolgerung gelangt ist.

Kontrafaktische Angaben können Forschern „die kleinste Änderung an den Merkmalen mitteilen, die die Vorhersage verändern würden“, sagt die Hauptautorin Geemi Wellawatte, eine Ph.D. Student in Whites Labor. “Mit anderen Worten, ein Kontrafaktual ist ein Beispiel, das dem Original so nahe kommt, aber ein anderes Ergebnis hat.”

Kontrafaktische Angaben können Forschern dabei helfen, schnell festzustellen, warum ein Modell eine Vorhersage getroffen hat und ob sie gültig ist.

Das Papier identifiziert drei Beispiele dafür, wie die neue Methode namens MMACE (Molecular Model Agonistic Counterfactual Explanations) verwendet werden kann, um zu erklären, warum:

  • Es wird vorhergesagt, dass ein Molekül die Blut-Hirn-Schranke durchdringt
  • ein kleines Molekül wird als löslich vorhergesagt
  • ein Molekül soll HIVs hemmen

Bei der Entwicklung von MMACE musste das Labor einige große Herausforderungen bewältigen. Sie brauchten eine Methode, die an die vielfältigen Methoden des maschinellen Lernens angepasst werden kann, die in der Chemie verwendet werden. Darüber hinaus war die Suche nach dem ähnlichsten Molekül für ein bestimmtes Szenario aufgrund der schieren Anzahl möglicher Kandidatenmoleküle ebenfalls eine Herausforderung.

Wie können wir sicher sein, dass maschinelles Lernen genau ist?  : Nachrichtenzentrum
Von links: Doktorandin Geemi Wellawatte, Andrew White, außerordentlicher Professor für Chemieingenieurwesen, und Aditi Seshadri ’22 in Wegmans Hall. White’s Lab hat eine Methode entwickelt, um die Vorhersagen von Modellen des maschinellen Lernens, die in der Arzneimittelforschung verwendet werden, anhand von Gegenfakten zu überprüfen. Bildnachweis: Universität Rochester/J. Adam Fenster

Co-Autorin Aditi Seshadri in Whites Labor half bei der Lösung dieses Problems, indem sie der Gruppe vorschlug, den STONED-Algorithmus (Superfast Traversal, Optimization, Novity, Exploration, and Discovery) anzupassen, der an der University of Toronto entwickelt wurde. STONED erzeugt effizient ähnliche Moleküle, den Treibstoff für die kontrafaktische Generierung. Seshadri ist ein Bachelor-Forscher in Whites Labor und konnte das Projekt über ein Rochester-Sommerforschungsprogramm namens „Discover“ unterstützen.

White sagt, dass sein Team MMACE weiter verbessert, indem es beispielsweise andere Datenbanken bei der Suche nach den ähnlichsten Molekülen ausprobiert und die Definition der molekularen Ähnlichkeit verfeinert.



Source: Phys.org – latest science and technology news stories by phys.org.

*The article has been translated based on the content of Phys.org – latest science and technology news stories by phys.org. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!