[論文レビュー] Explainable Artificial Intelligence for Drug Discovery and Development -- A Comprehensive Survey

Roohallah Alizadehsani, Oyelere, Solomon Sunday+6 more|arXiv (Cornell University)|Sep 21, 2023

Computational Drug Discovery Methods被引用数 4

ひとこと要約

本包括なサーベイは、複雑な機械学習モデルにおける透明性と信頼性を高めるために、解釈可能AI（XAI）をドラッグ発見および開発に体系的に統合することを提案する。ターゲット同定、化合物設計、毒性予測の各段階においてXAI技術を分析することで、解釈可能性が意思決定を改善し、バイアスを低減し、規制承認を支援できることを示している。本稿は、動的で、倫理的で、ドメイン特化型のXAI応用分野における今後の研究のロードマップを提示する。

ABSTRACT

The field of drug discovery has experienced a remarkable transformation with the advent of artificial intelligence (AI) and machine learning (ML) technologies. However, as these AI and ML models are becoming more complex, there is a growing need for transparency and interpretability of the models. Explainable Artificial Intelligence (XAI) is a novel approach that addresses this issue and provides a more interpretable understanding of the predictions made by machine learning models. In recent years, there has been an increasing interest in the application of XAI techniques to drug discovery. This review article provides a comprehensive overview of the current state-of-the-art in XAI for drug discovery, including various XAI methods, their application in drug discovery, and the challenges and limitations of XAI techniques in drug discovery. The article also covers the application of XAI in drug discovery, including target identification, compound design, and toxicity prediction. Furthermore, the article suggests potential future research directions for the application of XAI in drug discovery. The aim of this review article is to provide a comprehensive understanding of the current state of XAI in drug discovery and its potential to transform the field.

研究の動機と目的

• ドラッグ発見に用いられるAI/MLモデルにおける解釈可能性の重要性に応える必要性に対処する。特に、複雑な予測結果が透明性を欠いている分野において。
• ターゲット同定、化合物設計、毒性予測を含む、ドラッグ発見の主要段階におけるXAI技術とその応用を体系的にレビューする。
• 生物医学的データおよび規制要件の文脈において、現在のXAI手法の限界と課題を特定する。
• 動的で、倫理的で、ハイブリッドモデリングを含む、XAIを前進させるための今後の研究方向性を提案する。
• 研究者、臨床医、規制当局の実務的意思決定と技術的AI出力のギャップを、ドメイン特化型の説明フレームワークによって埋める。

提案手法

• 最新のXAI手法の包括的サーベイを実施する。具体的には、後処理説明技術（例：LIME、SHAP）、本質的に解釈可能なモデル、および注目メカニズムに基づく手法を含む。
• ターゲット同定、化合物設計、毒性予測の3つのコアタスクにわたり、XAIの応用を分類および分析する。
• 多様なステークホルダー（意思決定者）が理解しやすく、忠実で実行可能な説明を提供できる能力に基づき、XAIフレームワークを評価する。
• 認知心理学および可視化科学の知見を統合し、意思決定を支援する人間中心のXAIインターフェースを設計する。
• モデルやデータの変化に応じた動的説明適応や、ブラックボックスの性能と解釈可能な推論を組み合わせたハイブリッドモデルを含む、今後の手法的アプローチを提案する。
• 非技術的ユーザー（規制当局や患者など）に合わせてAI出力をカスタマイズするドメイン特化型の説明言語を検討する。

a Explainability vs. Prediction Accuracy

実験結果

リサーチクエスチョン

• RQ1 XAI技術は、ドラッグ発見におけるAI駆動型予測の解釈可能性と信頼性をどのように向上させることができるか？
• RQ2 ドラッグ開発における複雑で高次元の生物学的・化学的データにXAI手法を適用する際の主な課題と限界は何か？
• RQ3 リアルタイムのドラッグ発見パイプラインにおける変化するモデルやストリーミングデータに、XAIはどのように適合させることができるか？
• RQ4 医療指向のドラッグ開発にXAIを導入する際、バイアス、公平性、データプライバシーといった倫理的懸念はどのようなものか？
• RQ5 臨床医や規制当局を含む多様なステークホルダーに、複雑なAIインサイトを効果的に伝えるために、XAIフレームワークはどのように設計すべきか？

主な発見

• XAIは、モデル予測の裏付けとなる解釈可能な根拠を提供することで、AI駆動型ドラッグ発見における信頼性と透明性を顕著に向上させる。
• LIME や SHAP などの後処理説明手法は広く用いられているが、分子データにおける複雑なディープラーニングモデルに適用する際には忠実性に欠ける可能性がある。
• ターゲット同定および毒性予測へのXAIの統合により、研究者はモデルバイアスを特定し、予測の生物学的妥当性を向上させることができる。
• モデルの再トレーニングや新規データの統合に伴い、解釈可能性を維持するためには、動的説明適応が不可欠である。
• バイアス、公平性、データプライバシーといった倫理的懸念は、医療応用におけるXAI設計において重要であり、事前に取り組むべきである。
• 今後のXAIフレームワークは、非技術的ステークホルダー（ドラッグ開発における規制当局や患者など）がAIインサイトを理解できるように、ドメイン特化型言語と可視化戦略を統合すべきである。

b Explainability vs. Learning Performance