人工智能程序在预测药物效力时吐出已知数据，几乎没有学习到特定的化学相互作用

人工智能（AI）是一种酶。到目前为止，AI应用程序通常具有“黑框”字符：HowAI到达的AI结果被隐藏。法学博士ü；波恩大学的信息科学专家rgenBajorath和他的团队开发了一种方法，揭示了药物研究中的某些AI应用。结果是令人期待的：在预测药物效力时，Ip计划已经获得了广泛的知识，并且已经掌握了特定的化学作用。该结果现已在NatureMachineIntelligence中发布

什么药物分子最有效？研究人员正在狂热地寻找有效的抗癌药物来治疗疾病。这些蛋白质通常是一种酶受体，具有特定的生理作用链。在某些情况下，某些分子可能会将不希望的反应锁定在体内——比如过度的炎症反应。鉴于有大量可用的化学成分，这项研究的第一页就像是在寻找答案。药物总是试图使用科学模型来预测哪些分子最能与相应的靶蛋白结合并牢固结合。对这些潜在的候选药物进行了更详细的实验研究

自从人工智能的进步以来，使用机器学习应用程序对药物发现的搜索也在增加。作为一个“图形神经网络”（GNN）为这些应用程序提供了几个机会之一。例如，他们可以预测某些分子与靶蛋白的结合强度。总之，GNN模型是四线图，显示了由蛋白质和化学化合物（配体）形成的复合物。图形通常与显示对象的节点和显示节点之间关系的数据有关。蛋白质-配体复合物的内部代表，边缘连接蛋白或配体节点，分别代表其结构，或蛋白质和配体节点，代表特定的蛋白质-配体相互作用

Prof说：“GNN是如何在预测中分裂的，就像一个我们看不到的盒子。”。J博士；rgenBajorath。化学信息来自波恩大学的LIMESI研究所、波恩-亚琛国际信息技术中心（B-IT）和波恩拉马尔机器学习和人工智能研究所，以及罗马萨皮恩扎大学的同事，我们分析了图形神经网络是否真正学习了蛋白质配体和相互作用，从而预测了活性物质与靶蛋白的结合强度

应用程序工作如何

我们使用第一种专门开发的“EdgeSHAPer”方法和概念上不同的比较方法，分析了一组不同的GNNA体系结构。计算机程序“屏幕”显示GNN是否学习了复合物和蛋白质之间的刺激性重要作用，然后通过预测搜索者的预期和预期，或AI是否以其他方式到达预测。该研究的第一作者、来自罗马萨皮恩扎大学的Andrea Mastropetro博士说：“GNN完全取决于他们所研究的数据。巴焦拉斯集团在波恩

科学家用从蛋白质连接物和复合物结构中提取的图来制备xGNN，其中复合物对其靶蛋白的脱氧作用和结合强度已从实验中得知。训练后的GNN在其他复合体中进行了测试。随后的脑脊髓炎分析使我们有可能了解GNN是如何产生明显的损伤预测的