人工智能助力藥物研發,免化所蔣華良院士團隊開發出可解釋性深度神經網絡分子表征模型

ON2019-09-16CATEGORY科研進展

近日,上海科技大學免疫化學研究所特聘教授蔣華良院士團隊在《Journal of Medicinal Chemistry》發表封面文章“Pushingthe Boundaries of Molecular Representation for Drug Discovery with the Graph Attention Mechanism”,介紹了一種基于注意力機制的圖神經網絡模型(Attentive FP)。該模型可以用于分子表征,在多個藥物發現相關的數據集上的預測表現達到當前最優,并且該模型所學到的內容具有可解釋性。

可解釋性人工智能(Explainable AI)是AI的前沿研究方向之一,聚焦于用系統性和可解釋的方式呈現人工智能所學習到的復雜邏輯,讓人工智能的預測依據更好地被人類理解。人工智能藥物設計研究的重點之一也是如何針對性地開發了更符合化學背景、更易于解讀的模型。在Attentive FP中,研究人員使用圖神經網絡處理含有原子和鍵的分子圖結構,并通過引入原子水平和分子水平的注意力機制,使得到的分子圖模型兼具推理能力和可解釋性。對模型隱藏層神經元進行可視化可以發現,Attentive FP可以自動從特定任務中學習分子結構內非局部的特征,因此可以幫助藥物學家或化學家超越經驗和直覺,從各種性質或活性數據中獲取對該分子結構更深層的理解。

人工智能在人臉識別、語音識別、機器翻譯和自動駕駛等方面的應用,有時并不需要關注智能算法學習到了什么,為什么會做出這樣的判斷,而只需達到足夠的精度即可。但對于像藥物發現這類科學問題,由于其中有更多的不確定性,在通用人工智能把整個新藥發現流程包辦以前,藥物學家會更相信自己的經驗直覺,但同時又希望從越來越多的藥物研發數據中汲取新的見解。數據的積累和深度學習算法的應用可以建立更準確的預測模型,而這些預測如果不能被解釋,或者說難以被藥物學家理解,那么將很難取得藥物學家的信任,進而真正被應用而成為藥物發現必不可少的環節。

蔣華良團隊開發的基于注意力機制的可解釋圖神經網絡分子指紋Attentive FP,是對人工智能的可解釋性在藥物發現中的有益探索,它將機器認知與人的認知連接起來,以期更好地利用機器的認知增強藥物學家的認知。這類前沿且與藥物研究需求緊密結合的探索,相信能產生更大的實際應用價值。

文章鏈接:https://pubs.acs.org/doi/10.1021/acs.jmedchem.9b00959

Attentive FP代碼:https://github.com/OpenDrugAI/AttentiveFP