提言:MLモデルが見るのは分子ではなく表現であり、説明責任が必要
- 新規データセットやベンチマークを伴わないPerspectiveで、構造式、SMILES、フィンガープリント、グラフ、コンフォマー、シミュレーションアンサンブル、言語モデルのトークンといった形でMLモデルが実際に受け取る情報を検討している。
- 分子もバイオ活性ラベルも「表現」であるとし、互変異性の曖昧さ、立体化学、アクティビティクリフ、ばらつきのあるラベル、生成モデルの失敗は、この二重の簡略化の帰結だと論じる。
- 提案する基準は説明責任で、実体の明確な定義、アッセイの由来、較正された不確実性、前向き検証を求め、表現上の損失とモデルの限界を切り分ける対照付き摂動試験も示す。
💡 ポイント アブストラクトに基づく見解
再列挙したSMILESでモデルの予測が変わる経験がある人には既知の話が多いが、実用的なのは摂動試験の発想だ。自分のプロジェクトなら、ベンチマークの改善を信じる前に走らせる。SMILESのランダム化、互変異性やプロトン化状態の入れ替えを行い、誤差が表現に由来するのかモデルに由来するのかを見る。ただ前向きデータがない以上、どの対策が効くかまではこのPerspectiveでは分からない。
📄 原論文 · Journal of Chemical Information and Modeling ↗ Ceci n’est pas le benzène: The Treachery of Chemical Representations in Machine Learning for Drug Discovery