机器学习辅助对接的可信度:57篇研究的系统综述与XAI实践

化学 2026-11-22 13 阅读

ACS Omega · 2026-11-21 · 综述

  • 一句话结论:结论:2020年1月至2026年8月的57篇ML辅助对接研究中仅4篇(7.0%)应用可解释AI,提示该领域可解释性实践仍稀缺,需规范化以避免误读结果(证据支持于所纳入文献范围)。
  • 研究设计与做法:设计:系统综述;纳入57篇ML辅助对接论文;评估ML预测如何生成、精炼与化学解释,并梳理采样策略、靶点多样性、集成与共识对接、主动学习、理化与药效团过滤、多目标优化、置信度指标等辅助可信策略。
  • 主要结果:结果:57篇中仅4篇(7.0%)使用XAI技术,且多为特征归因方法,未采用最先进的对比解释方法;其余定量汇总数据材料未报告。
  • 机制或解释:机制:作者认为深度学习为黑箱、泛化困难,难以判断预测是否反映化学结构与生物活性间的因果关系,缺乏化学层面理解会妨碍化合物发现、优化与新颖性。
  • 局限与边界:局限:为文献综述而非原始研究,结论受纳入标准与检索时间窗限制;仅统计XAI使用比例,未报告各研究预测性能的合并效应;利益冲突信息材料未报告。
  • 可否落地:落地:提示ML辅助对接研究应正式引入XAI与互补可信策略以支持化合物筛选决策(证据支持于综述层面);XAI能否提升实验命中率尚不足以下结论,需前瞻性验证。

🔗 打开原文

Camila Fonseca Amorim da Silva, Thales Kronenberger, Káthia M. Honório


本文摘自《每日前沿研究简报 · 2026-11-22》「化学信息 / 药物发现」。本内容仅用于研究信息整理与科普交流,不构成医疗建议。

评论 共 0 条

暂无评论

微信小程序

微信扫一扫体验

立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部