Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants

問題定義
分子グラフに対する機械学習モデルは、実験化学者の信頼を得るために、ますます説明可能性を必要としています。化学的な妥当性にとって重要でありながら、しばしば見過ごされている要件とは、説明が化学的に同等なグラフ表現全体で一貫していなければならないという点です。現在、同一分子の異なる描画（例えば、原子順序の変動、互変異性体、金属との結合切断、または電荷分布）は、標準的な特徴量化手法において異なる分子表現を引き起こす可能性があります。これにより、一貫性のない予測が生じるだけでなく、より重要なのは、同一化学種に対する帰属（説明）が分岐してしまうことです。標準的な Daylight 不変量のような既存の手法は、化学的に同一の構造が同一の特徴ベクトルを生むことを保証できず、それによってモデル説明の信頼性を損なっています。

手法：INCHIFIED INVARIANTS
著者らは、化学的同一性を保持する変換に対して不変となるように設計された、ノード、エッジ、およびグラフ特徴量のクラスであるINCHIFIED INVARIANTSを導入します。この手法は、化学的同一性の等価関係を定義するために、IUPAC によって開発された標準である**国際化学識別子（InChI）**を活用します。この構築は、入力分子グラフに適用される 10 段階のワークフローを通じて InChI 技術マニュアルを模倣します：

1. 準備: 分子全体の電荷の計算、芳香族結合をケクレ形式（単結合/二重結合）への変換、および水素原子を「ファンタム」原子としてマークする（グラフから削除するが、その数と同位体情報を結合した重原子の属性に格納する）。
2. 切断: 金属原子の電荷を増加させ、結合原子の電荷を減少させることで金属原子を分離し、金属 - 配位子結合および関連する立体化学を実質的に除去する。
3. 正規化: 形式電荷と結合次数を再分配するための SMARTS ベースの変換の適用（例えば、両性イオンや電荷分離型の扱い）。
4. 脱プロトン化: 正電荷を持つヘテロ原子および特定の鎖パターンからプロトンを除去し、電荷を中和する。
5. 中和: 特定のヘテロ原子上の電荷と水素を調整することにより、分子フラグメントを中和しようとする試み。
6. 原子価の低減: 非金属原子から過剰な水素を除去し、原子価を標準レベルに低下させる。
7. 移動性電荷の検出: 窒素原子上の正電荷を接続する交互結合鎖の特定、共鳴を処理するためにそれらを「芳香族」としてタグ付けする。
8. 互変異性体の検出: 互変異性体のパターン（例えば、ケトン - エノル転移）の反復的な検出、移動性水素の除去、および結合を「芳香族」としてタグ付けすることで、互変異性体全体での等価性を捉える。
9. 水素同位体: 移動性プロチウム、重水素、トリチウムを処理するために、適切であればファンタムタグを除去し、同位体の数を記録する。
10. 立体化学: Cahn–Ingold–Prelog（CIP）規則に基づいて R/S および E/Z ラベルを割り当て、InChI によって立体生成性として扱われないケースについてはラベルを削除する。

最終的なINCHIFIED INVARIANTSは以下の構成要素からなります：

• ノード特徴量: 原子番号、同位体、次数、環への所属、水素数（総数および特定同位体）、および CIP コード。
• エッジ特徴量: 結合 CIP コード。
• グラフ特徴量: 分子全体の電荷。

ファンタム原子は、可視化の目的で元の原子インデックスを保持するために、ゼロ値の特徴量とともにグラフ構造に保持されますが、特徴量抽出中は無視されます。

主な貢献

1. 新規特徴量化: 化学的同一性の変換に対する不変性を強制する特徴量セットの導入。これは標準的な分子グラフ特徴量の代わりとしてそのまま使用可能なものです。
2. 大規模検証: PubChem の 100 万の分子グラフを用いた実証により、INCHIFIED INVARIANTS は化学的に同等なグラフ（同一 InChI）に対して、標準的な Daylight 不変量が 0.35% であるのに対し、**99.62%**のケースで同一の表現を生成することを示しました。
3. 性能の維持: MoleculeNet ベンチマークタスクでの検証により、予測性能が維持されつつ、代替的なグラフ描画間での一貫性が大幅に向上することが示されました。
4. 帰属の一貫性: 標準的な特徴量を用いて生成された説明は化学的に同等なグラフ間で大幅に変動することを定量的分析で示しましたが、INCHIFIED INVARIANTS は構築上、ほぼ完全な一貫性を強制します。
5. オープンソース公開: これらの不変量を既存の機械学習パイプラインに統合するためのソフトウェアの提供。

結果

• 表現の一貫性: 100 万の SMILES 文字列のデータセットにおいて、INCHIFIED INVARIANTS は同一 InChI キーを共有するグラフに対して 99.62% の一致率を達成しましたが、標準的な Daylight 不変量は 0.35% しか一致しませんでした。逆に、InChI キーが異なる場合、両方の手法は 99.98% 以上のケースで異なるフィンガープリントを生成しました。
• 予測性能: 元の MoleculeNet テストセットでは、INCHIFIED INVARIANTS を使用したモデルはベンチマーク特徴量を使用したモデルと同等の性能を示しました。しかし、代替描画データセット（SMILES $\to$ InChI $\to$ SMILES 変換を通じて生成された同一分子のグラフ）では、INCHIFIED INVARIANTS を使用したモデルはベンチマークモデルよりも有意に優れた性能を示しました（例えば、ESOL、FreeSolv、Lipo における RMSE の低下；HIV、BACE、BBBP における ROC-AUC の向上）。これは、ベンチマークモデルがグラフ描画に敏感であるのに対し、INCHIFIED INVARIANTS はこの感度を低減することを示しています。
• 説明の一貫性: ClinTox および HIV で訓練されたモデルに対して Integrated Gradients を使用し、同一 InChI を持つ SMILES のペア間の帰属に関するケンドール順位相関係数（Kendall's tau）を測定しました。
  • ベンチマーク特徴量の場合、合意度は大きく変動しました（例えば、HIV に対する NeuralFP の中央値ケンドール順位相関係数は 0.78 でしたが、AttentiveFP では 0.35 に低下しました）。
  • INCHIFIED INVARIANTSの場合、すべての構成において合意度はほぼ完璧でした（中央値ケンドール順位相関係数が 1.00）。
• 計算オーバーヘッド: 前処理コストは標準的な Daylight 不変量よりも高いですが（小さな分子の場合、中央値の実行時間が約 0.02ms から約 0.29ms に増加）、モデルの学習および推論時間と比較すると無視できるレベルです。

意義と主張
本論文は、一貫性が説明を化学的に意味あるものとするための（十分条件ではありませんが）必要条件であると主張しています。分子グラフ表現を化学的同一性の国際標準（InChI）に整合させることで、INCHIFIED INVARIANTS は同一分子の異なる描画が同じ予測と帰属を生むことを保証します。著者らは、このアプローチがデータベースの索引付けにおける InChI を置き換えるものではなく、グラフベースの機械学習において使用可能な特徴量として、同じ化学的標準をもたらすものであることを強調しています。この研究は、説明手法（LIME、SHAP、GNNExplainer など）が通常、同一分子に対する異なる有効な入力が一貫した説明を生むかどうかを考慮することなく、固定された入力上で評価されるという文献のギャップに対処しています。著者らは、INCHIFIED INVARIANTS が、下流のモデルや説明アルゴリズムの変更を必要とせずに、分子機械学習の信頼性を向上させる実用的かつアーキテクチャに依存しない手法を提供すると結論付けています。