🤖 machine learning

Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants

यह शोध पत्र "InChIfied Invariants" प्रस्तुत करता है, जो इंटरनेशनल केमिकल आइडेंटिफायर (InChI) पर आधारित आणविक ग्राफ विशेषताओं का एक नया वर्ग है जो यह सुनिश्चित करता है कि मशीन लर्निंग भविष्यवाणियाँ और स्पष्टीकरण रासायनिक रूप से समकक्ष लेकिन संरचनात्मक रूप से भिन्न ग्राफ निरूपणों में सुसंगत रहें, जो अपनी भविष्य कहने वाली सटीकता बनाए रखते हुए स्थिरता के मामले में मानक डेलाइट (Daylight) इनवेरियंट्स से काफी बेहतर प्रदर्शन करते हैं।

मूल लेखक: Emanuele Guidotti, Sara Puglioli

प्रकाशित 2026-05-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emanuele Guidotti, Sara Puglioli

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants" पेपर का सरल भाषा और रचनात्मक उपमाओं (analogies) के साथ विवरण दिया गया है।

मुख्य समस्या: "एक ही व्यक्ति, अलग पोशाक" वाली समस्या

कल्पना कीजिए कि आप एक कंप्यूटर को एक विशिष्ट व्यक्ति को पहचानना सिखाने की कोशिश कर रहे हैं, मान लीजिए उसका नाम "केमिस्ट चार्ली" है।

रसायन विज्ञान की दुनिया में, अणुओं (molecules) को अक्सर ग्राफ के रूप में दर्शाया जाता है (परमाणुओं के लिए बिंदु, बंधों/bonds के लिए रेखाएं)। हालाँकि, ठीक वैसे ही जैसे एक व्यक्ति सूट, टक्सीडो या कैजुअल हुडी पहन सकता है और फिर भी वही व्यक्ति रहता है, एक अणु को कागज पर कई अलग-अलग तरीकों से बनाया जा सकता है।

सूट: एक अणु का मानक चित्रण।
टक्सीडो: वही अणु, लेकिन परमाणुओं को अलग क्रम में सूचीबद्ध किया गया है।
हुडी: वही अणु, लेकिन एक हाइड्रोजन परमाणु को एक तरफ से दूसरी तरफ ले जाया गया है (एक सामान्य रासायनिक प्रक्रिया जिसे "टाउटोमेरिज्म" कहा जाता है)।

समस्या: वर्तमान AI मॉडल बहुत ही शाब्दिक सुरक्षा गार्डों की तरह हैं। यदि केमिस्ट चार्ली सूट पहनकर आता है, तो गार्ड उसे पहचान लेता है। यदि वह टक्सीडो पहनकर आता है, तो गार्ड भ्रमित हो जाता है। AI कह सकता है, "यह एक अलग व्यक्ति है!" या, इससे भी बुरा, यह कह सकता है, "यह वही व्यक्ति है," लेकिन फिर यह पूरी तरह से अलग कारण बता सकता है कि उसे क्यों लगा कि यह वही है।

पेपर के शब्दों में:

भविpredictions (Predictions): AI अनुमान लगा सकता है कि अणु "विषाक्त" (toxic) है जब इसे एक तरह से बनाया गया हो, लेकिन जब इसे दूसरे तरीके से बनाया जाता है, तो वह इसे "सुरक्षित" कह सकता है।
व्याख्याएँ (Explanations): यदि आप AI से पूछते हैं कि उसने निर्णय क्यों लिया, तो वह पहले चित्रण में अणु के बाईं ओर इशारा कर सकता है, लेकिन दूसरे चित्रण में दाईं ओर। यह मानव रसायनविदों के लिए भ्रमित करने वाला और अविश्वसनीय है।

समाधान: "InChI पासपोर्ट"

इसे ठीक करने के लिए, लेखकों ने एक नया टूल बनाया जिसे INCHIFIED INVARIANTS कहा जाता है।

InChI (इंटरनेशनल केमिकल आइडेंटिफायर) को अणुओं के लिए एक सार्वभौमिक पासपोर्ट के रूप में समझें। चाहे आप अणु को कैसे भी सजाएं (कैसे भी चित्रित करें), पासपोर्ट नंबर (InChI स्ट्रिंग) बिल्कुल वही रहता है। यह यह कहने का स्वर्ण मानक है कि, "यह निश्चित रूप से एक ही रासायनिक पदार्थ है।"

लेखकों ने AI मॉडल में डेटा फीड करने का एक नया तरीका बनाया है जो एक स्मार्ट पासपोर्ट स्कैनर की तरह काम करता है।

मानक विधि (पुराना तरीका): AI ड्राइंग (पोशाक) को देखता है। यदि ड्राइंग बदलती है, तो AI को अलग-अलग विशेषताएं दिखाई देती हैं।
INCHIFIED INVARIANTS (नया तरीका): AI को ड्राइंग दिखाने से पहले, यह नया टूल ड्राइंग को "पासपोर्ट फॉर्मेट" में बदल देता है। यह भ्रमित करने वाले विवरणों (जैसे कि एक हाइड्रोजन परमाणु अस्थायी रूप से कहाँ बैठा है या बंध कैसे बने हैं) को हटा देता है और सब कुछ एक मानकीकृत, रासायनिक सत्य में परिवर्तित कर देता है।

उन्होंने क्या किया (प्रयोग)

टीम ने इसे बड़े पैमाने पर टेस्ट किया, जिसमें PubChem नामक एक सार्वजनिक डेटाबेस से दस लाख अलग-अलग आणविक चित्रों का उपयोग किया गया।

परीक्षण: उन्होंने एक ही अणु का प्रतिनिधित्व करने वाले चित्रों के जोड़े लिए (समान पासपोर्ट, लेकिन कागज पर अलग दिखते हैं)।
पुराने टूल्स के साथ परिणाम: मानक तरीकों का उपयोग करते समय, AI ने एक ही अणु के लिए अलग-अलग "फिंगरप्रिंट" (डिजिटल आईडी) उत्पन्न किए 99.65% बार। यह अनिवार्य रूप से अलग-अलग लोगों को देख रहा था।
INCHIFIED INVARIANTS के साथ परिणाम: उनके नए तरीके के साथ, AI ने एक ही अणु के लिए 99.62% बार बिल्कुल एक ही फिंगरप्रिंट उत्पन्न किया। इसने अंततः पहचान लिया कि "सूट" और "टक्सीडो" वास्तव में एक ही व्यक्ति हैं।

"व्याख्याओं" (Explanations) के लिए यह क्यों महत्वपूर्ण है

यह पेपर व्याख्यात्मकता (explainability) पर बहुत अधिक ध्यान केंद्रित करता है। चिकित्सा और रसायन विज्ञान में, आप केवल यह नहीं चाहते कि AI सही हो; आप यह भी जानना चाहते हैं कि वह क्यों सही है।

पुराना तरीका: यदि आप AI को एक ही दवा के दो अलग-अलग चित्र दिखाते हैं, तो वह पहले चित्र में कह सकता है, "यह दवा इस परमाणु के कारण काम करती है," लेकिन दूसरे चित्र में वह कह सकता है, "यह दवा उस परमाणु के कारण काम करती है।" यह व्याख्या को अविश्वसनीय बनाता है।
नया तरीका: क्योंकि यह नया टूल AI को एक एकल, सुसंगत पहचान के रूप में अणु को देखने के लिए मजबूर करता है, इसलिए व्याख्या हमेशा एक समान रहती है। यदि AI कहता है, "यह परमाणु महत्वपूर्ण है," तो वह इसे तब भी कहेगा चाहे अणु को किसी भी तरह से बनाया गया हो।

निचोड़ (The Bottom Line)

लेखकों ने कोई नया प्रकार का AI मस्तिष्क नहीं बनाया; उन्होंने इनपुट को अनुवादित करने का एक बेहतर तरीका बनाया।

उन्होंने एक "ड्रॉप-इन रिप्लेसमेंट" (एक ऐसा टूल जिसे मौजूदा सिस्टम में बिना दोबारा बनाए इस्तेमाल किया जा सकता है) बनाया है जो यह सुनिश्चित करता है कि AI मानव रसायनविदों की भाषा बोलता है। AI को केवल "दृश्य ड्राइंग" (पोशाक) के बजाय "रासायनिक पहचान" (पासपोर्ट) का सम्मान करने के लिए मजबूर करके, उन्होंने AI की भविष्यवाणियों और व्याख्याओं को सुसंगत, विश्वसनीय और भरोसेमंद बना दिया।

संक्षेप में: उन्होंने AI को किताब के कवर से निर्णय लेना बंद करने और उसके ISBN कोड को पढ़ना सिखाया।

समस्या विवरण
आणविक ग्राफ़ (molecular graphs) के लिए मशीन लर्निंग मॉडल को प्रयोगात्मक रसायनज्ञों का विश्वास हासिल करने के लिए तेजी से व्याख्यात्मकता (explainability) की आवश्यकता होती है। एक महत्वपूर्ण, फिर भी अक्सर अनदेखा किया जाने वाला गुण जो रासायनिक सार्थकता (chemical meaningfulness) के लिए आवश्यक है, वह यह है कि स्पष्टीकरण रासायनिक रूप से समान ग्राफ़ निरूपणों (graph representations) में सुसंगत होने चाहिए। वर्तमान में, एक ही अणु के विभिन्न चित्रण (जैसे, भिन्न परमाणु क्रम, टॉटोमर्स, धातु विच्छेदन, या आवेश वितरण) मानक फीचरिंग विधियों में अलग-अलग आणविक निरूपण उत्पन्न कर सकते हैं। यह एक ही रासायनिक इकाई के लिए असंगत भविष्यवाणियों और अधिक महत्वपूर्ण रूप से, विचलित एट्रिब्यूशन (स्पष्टीकरणों) की ओर ले जाता है। मौजूदा विधियाँ, जैसे कि मानक डेलाइट इनवेरियंट्स (Daylight invariants), यह गारंटी देने में विफल रहती हैं कि समान रासायनिक संरचनाएं समान फीचर वेक्टर प्रदान करेंगी, जिससे मॉडल के स्पष्टीकरणों की विश्वसनीयता कम हो जाती है।

कार्यप्रणाली: INCHIFIED INVARIANTS
लेखक INCHIFIED INVARIANTS प्रस्तुत करते हैं, जो नोड, एज और ग्राफ़ फीचर्स का एक वर्ग है जिसे उन रूपांतरणों के प्रति अपरिवर्तनीय (invariant) बनाया गया है जो रासायनिक पहचान को बनाए रखते हैं। यह कार्यप्रणाली रासायनिक पहचान को परिभाषित करने के लिए इंटरनेशनल केमिकल आइडेंटिफायर (InChI) का उपयोग करती है, जो IUPAC द्वारा विकसित एक मानक है। इसका निर्माण इनपुट आणविक ग्राफ़ पर लागू एक क्रमिक 10-चरणीय वर्कफ़्लो के माध्यम से InChI टेक्निकल मैनुअल की नकल करता है:

तैयारी (Preparation): कुल आणविक आवेश की गणना, एरोमैटिक बॉन्ड्स को केकुले (Kekulé) रूपों (सिंगल/डबल) में बदलना, और हाइड्रोजन परमाणुओं को "फैंटम" (phantom) परमाणुओं के रूप में चिह्नित करना (उन्हें ग्राफ़ से हटाना लेकिन जुड़े हुए भारी परमाणुओं के गुणों में उनकी संख्या और आइसोटोप जानकारी को संग्रहीत करना)।
विच्छेदन (Disconnection): धातु के परमाणुओं को उनके आवेश बढ़ाकर और जुड़े हुए परमाणुओं के आवेश को घटाकर अलग करना, जो प्रभावी रूप से धातु-लिगैंड बॉन्ड्स और संबंधित त्रिविम रसायन (stereochemistry) को हटा देता है।
सामान्यीकरण (Normalization): औपचारिक आवेशों और बॉन्ड ऑर्डर्स को पुनर्वितरित करने के लिए SMARTS-आधारित रूपांतरणों का अनुप्रयोग (उदाहरण के लिए, ज़्विटरआयन और आवेश-पृथक रूपों को संभालना)।
डीप्रोटिनेशन (Deprotonation): आवेशों को न्यूट्रल करने के लिए धनावेशित हेटरोएटम्स और विशिष्ट श्रृंखला पैटर्न से प्रोटॉन को हटाना।
न्यूट्रलाइजेशन (Neutralization): विशिष्ट हेटरोएटम्स पर आवेश और हाइड्रोजन को समायोजित करके आणविक अंशों (fragments) को न्यूट्रल करने का प्रयास करना।
वैलेंस रिडक्शन (Valence Reduction): गैर-धातु परमाणुओं से अतिरिक्त हाइड्रोजन को हटाकर वैलेंस को मानक स्तर तक कम करना।
मूवेबल चार्ज डिटेक्शन (Movable Charge Detection): नाइट्रोजन परमाणुओं पर धनावेश वाले वैकल्पिक बॉन्ड चेन की पहचान करना, उन्हें "एरोमैटिक" के रूप में टैग करना ताकि रेजोनेंस को संभाला जा सके।
टॉटोमेरिज्म डिटेक्शन (Tautomerism Detection): टॉटोमेरिक पैटर्न (जैसे, कीटो-इनोल शिफ्ट) का पुनरावृत्ति पहचान, गतिशील हाइड्रोजन को हटाना, और समानता को कैप्चर करने के लिए बॉन्ड्स को "एरोमैटिक" के रूप में टैग करना।
हाइड्रोजन आइसोटोप (Hydrogen Isotopes): जहाँ उपयुक्त हो वहाँ फैंटम टैग को हटाकर और आइसोटोप गणना को रिकॉर्ड करके मोबाइल प्रोटियम, ड्यूटेरियम और ट्रिटियम को संभालना।
त्रिविम रसायन (Stereochemistry): Cahn–Ingold–Prelog (CIP) नियमों के आधार पर R/S और E/Z लेबल असाइन करना, उन मामलों के लिए लेबल हटाना जिन्हें InChI द्वारा त्रिविम केंद्र (stereogenic) के रूप में नहीं माना गया है।

अंतिम INCHIFIED INVARIANTS में शामिल हैं:

नोड फीचर्स: परमाणु संख्या, आइसोटोप, डिग्री, रिंग सदस्यता, हाइड्रोजन काउंट (कुल और विशिष्ट आइसोटोप), और CIP कोड।
एज फीचर्स: बॉन्ड CIP कोड।
ग्राफ फीचर्स: कुल आणविक आवेश।

विज़ुअलाइज़ेशन उद्देश्यों के लिए मूल परमाणु इंडेक्सिंग को बनाए रखने के लिए फैंटम परमाणुओं को शून्य-मूल्य वाले फीचर्स के साथ ग्राफ़ संरचना में रखा जाता है, लेकिन फीचर निष्कर्षण के दौरान उन्हें अनदेखा कर दिया जाता है।

प्रमुख योगदान

नवीन फीचरिंग: रासायनिक पहचान रूपांतरणों के प्रति अपरिवर्तनीयता लागू करने वाले एक फीचर सेट का परिचय, जो मानक आणविक ग्राफ़ फीचर्स के ड्रॉप-इन रिप्लेसमेंट के रूप में कार्य करता है।
बड़े पैमाने पर सत्यापन: 1 मिलियन पबकेम (PubChem) आणविक ग्राफ़ पर प्रदर्शन, जो दर्शाता है कि INCHIFIED INVARIANTS रासायनिक रूप से समकक्ष ग्राफ़ (समान InChI) के लिए 99.62% मामलों में समान निरूपण उत्पन्न करते हैं, जबकि मानक डेलाइट इनवेरियंट्स के लिए यह केवल 0.35% है।
प्रदर्शन संरक्षण: MoleculeNet बेंचमार्क कार्यों पर सत्यापन दिखाता है कि प्रेडिक्टिव परफॉरमेंस सुरक्षित रहती है, जबकि वैकल्पिक ग्राफ़ चित्रणों के बीच निरंतरता में काफी सुधार होता है।
एट्रिब्यूशन निरंतरता: मात्रात्मक विश्लेषण दिखाता है कि मानक फीचर्स के साथ उत्पन्न स्पष्टीकरण समान रासायनिक ग्राफ़ के बीच काफी भिन्न होते हैं, जबकि INCHIFIED INVARIANTS निर्माण द्वारा लगभग पूर्ण निरंतरता सुनिश्चित करते हैं।
ओपन-सोर्स रिलीज़: इन इनवेरियंट्स को मौजूदा मशीन लर्निंग पाइपलाइनों में एकीकृत करने के लिए सॉफ़्टवेयर प्रदान करना।

परिणाम

प्रतिनिधित्व निरंतरता (Representation Consistency): 1 मिलियन SMILES स्ट्रिंग्स के डेटासेट में, INCHIFIED INVARIANTS ने समान InChI Key साझा करने वाले ग्राफ़ के लिए 99.62% मैच रेट प्राप्त किया, जबकि मानक डेलाइट इनवेरियंट्स केवल 0.35% मैच हुए। इसके विपरीत, जब InChI Keys भिन्न थे, तो दोनों विधियों ने >99.98% मामलों में अलग फिंगरप्रिंट बनाए।
भवि счет क्षमता (Predictive Performance): मूल MoleculeNet टेस्ट सेट्स पर, INCHIFIED INVARIANTS का उपयोग करने वाले मॉडल्स ने बेंचमार्क फीचर्स का उपयोग करने वाले मॉडल्स के समान प्रदर्शन किया। हालाँकि, वैकल्पिक-डेपिक्शन डेटासेट्स (SMILES $\to$ InChI $\to$ SMILES रूपांतरण के माध्यम से उत्पन्न एक ही अणु के ग्राफ़) पर, INCHIFIED INVARIANTS का उपयोग करने वाले मॉडल्स ने बेंचमार्क मॉडल्स की तुलना में काफी बेहतर प्रदर्शन दिखाया (जैसे, ESOL, FreeSolv, और Lipo पर कम RMSE; HIV, BACE, BBBP पर उच्च ROC-AUC)। यह इंगित करता है कि बेंचमार्क मॉडल ग्राफ़ चित्रण के प्रति संवेदनशील हैं, जबकि INCHIFIED INVARIANTS इस संवेदनशीलता को कम करते हैं।
स्पष्टीकरण निरंतरता (Explanation Consistency): ClinTox और HIV पर प्रशिक्षित मॉडल्स पर इंटीग्रेटेड ग्रेडिएंट्स (Integrated Gradients) का उपयोग करते हुए, लेखकों ने समान InChI वाले SMILES के जोड़ों के लिए एट्रिब्यूशन के लिए केंडल का ताऊ (Kendall's tau) सहसंबंध मापा।
- बेंचमार्क फीचर्स के साथ, सहमति व्यापक रूप से भिन्न हुई (जैसे, NeuralFP के लिए HIV हेतु मध्यम केंडल का ताऊ 0.78, AttentiveFP के लिए 0.35 तक गिर गया)।
- INCHIFIED INVARIANTS के साथ, सहमति लगभग पूर्ण थी (सभी कॉन्फ़िगरेशन में मध्यम केंडल का ताऊ 1.00)।
कंप्यूटेशनल ओवरहेड (Computational Overhead): प्रीप्रोसेसिंग लागत मानक डेलाइट इनवेरियंट्स की तुलना में अधिक है (छोटे अणुओं के लिए मध्यम रनटाइम ~0.02ms से बढ़कर ~0.29ms हो जाता है), लेकिन यह मॉडल ट्रेनिंग और इन्फरेंस समय के सापेक्ष नगण्य बनी रहती है।

महत्व और दावे
पेपर का तर्क है कि स्पष्टीकरणों के लिए रासायनिक रूप से सार्थक होने के लिए निरंतरता (consistency) एक आवश्यक (यद्यपि पर्याप्त नहीं) पूर्व शर्त है। रासायनिक पहचान (InChI) के अंतरराष्ट्रीय मानक के साथ आणविक ग्राफ़ निरूपणों को संरेखित करके, INCHIFIED INVARIANTS यह सुनिश्चित करते हैं कि एक ही अणु के दो चित्रण एक ही भविष्यवाणी और एट्रिब्यूशन उत्पन्न करें। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण InChI को डेटाबेस इंडेक्सिंग के लिए प्रतिस्थापित नहीं करता है, बल्कि ग्राफ़-आधारित मशीन लर्निंग में उसी रासायनिक मानक को एक उपयोगी फीचर के रूप में लाता है। यह कार्य उस अंतर को संबोधित करता है जहाँ स्पष्टीकरण विधियों (जैसे, LIME, SHAP, GNNExplainer) का मूल्यांकन आमतौर पर निश्चित इनपुट पर किया जाता है, बिना यह विचार किए कि क्या एक ही अणु के लिए अलग-अलग वैध इनपुट सुसंगत स्पष्टीकरण देंगे। लेखक निष्कर्ष निकालते हैं कि INCHIFIED INVARIANTS डाउनस्ट्रीम मॉडल्स या स्पष्टीकरण एल्गोरिदम में बदलाव की आवश्यकता के बिना आणविक मशीन लर्निंग की विश्वसनीयता में सुधार करने के लिए एक व्यावहारिक, आर्किटेक्चर-अज्ञेय (architecture-agnostic) विधि प्रदान करते हैं।

मुख्य समस्या: "एक ही व्यक्ति, अलग पोशाक" वाली समस्या

समाधान: "InChI पासपोर्ट"

उन्होंने क्या किया (प्रयोग)

"व्याख्याओं" (Explanations) के लिए यह क्यों महत्वपूर्ण है

निचोड़ (The Bottom Line)

इसी तरह के और पेपर