- A fellángolás előtti spektrális jellemzők azonosítása magyarázható mesterséges intelligencia (arXiv) segítségével
Szerző: Brandon Panos, Lucia Kleint, Jonas Zbinden
Absztrakt: A napkitörések előrejelzése gyakorlati és tudományos jelentőségű; azonban számos, ehhez az előrejelzési feladathoz használt gépi tanulási módszer nem ad fizikai magyarázatot a modell teljesítménye mögött. Két nemrégiben kifejlesztett, magyarázható mesterséges intelligencia technikát használtunk, az úgynevezett gradienssúlyozott osztályaktivációs térképezést (Grad-CAM) és a várható gradienseket (EG), hogy felfedjük a döntéshozatali folyamatot egy nagy teljesítményű neurális hálózat mögött, amelyet arra tanítottak, hogy megkülönböztesse Fáklyás és nem fellángoló aktív régiókból származtatott MgII spektrumok, amely tény alkalmazható a rövid időtávú fellángolás-előrejelzés feladatára. A két technika vizuális magyarázatokat (hőtérképeket) hoz létre, amelyek visszavetíthetők a spektrumokra, lehetővé téve azoknak a jellemzőknek az azonosítását, amelyek erősen kapcsolódnak a prekurzor fellángolási tevékenységhez. Automatizáltuk a megmagyarázható értelmezések keresését az egyes hullámhosszok szintjén, és számos példát mutattunk be az IRIS spektrális adatait használó fellángolások előrejelzésére, és megállapítottuk, hogy az előrejelzési pontszámok általában nőnek a fellángolás kezdete előtt. A nagy IRIS raszterek, amelyek lefedik az aktív terület jelentős részét, és egybeesnek a kis preflare világosításokkal mind az IRIS, mind az SDO/AIA képeken, általában jobb előrejelzéshez vezetnek. A modellek azt mutatják, hogy az MgII triplet emissziója, az áramlások, valamint a széles és erősen aszimmetrikus spektrumok mind fontosak a fáklyák előrejelzéséhez. Ezenkívül azt találjuk, hogy az intenzitás csak gyengén korrelál a spektrum előrejelzési pontszámával, ami azt jelenti, hogy az alacsony intenzitású spektrumok továbbra is nagy jelentőséggel bírhatnak a fellángolás-előrejelzési feladatban, és hogy az esetek 78%-ában a modell maximális figyelmének pozíciója a spektrum mentén. A fáklya előtti fázisban lévő rés előrejelzi a fáklya maximális UV-kibocsátásának helyét
2.GraphIX: Grafikon alapú In silico XAI (magyarázható mesterséges intelligencia) a gyógyszerek biogyógyszerészeti hálózatból (arXiv) történő újrapozicionálásához
Szerző: Atsuko Takagi, Mayumi Kamada, Eri Hamatani, Ryosuke Kojima, Yasushi Okuno
Absztrakt: A gyógyszerek újrapozícionálása nagyon ígéretes, mert csökkentheti az új gyógyszerek kifejlesztésének idejét és költségeit. Míg a gyógyszerek újrapozícionálása kihagyhat különböző K+F folyamatokat, a biomolekulákra gyakorolt farmakológiai hatások megerősítése elengedhetetlen az új betegségekre való alkalmazáshoz. A gyógyszer-újrapozícionálási modellben az orvosbiológiai magyarázhatóság megfelelő betekintést nyújthat a későbbi mélyreható vizsgálatok során. A XAI módszertan érvényessége azonban még mindig vita tárgyát képezi, és a XAI hatékonysága a gyógyszer-újrapozícionálás előrejelzési alkalmazásaiban továbbra is tisztázatlan. Ebben a tanulmányban a GraphIX-et, egy biológiai hálózatokat használó, magyarázható gyógyszer-újrapozícionálási keretrendszert javasolunk, és kvantitatívan értékeljük a magyarázhatóságát. A GraphIX először egy gráf neurális hálózat segítségével tanulja meg a hálózati súlyokat és a csomópont jellemzőit az ismert gyógyszerjavallatokból és tudásgráfból, amely háromféle csomópontból áll (de nem adott csomópont-információból): betegség, gyógyszer és fehérje. Az utótanulási jellemzők elemzése azt mutatta, hogy a modell által korábban nem ismert csomóponttípusok a tanulási folyamat során a gráfstruktúra alapján megkülönböztethetők. A tanult súlyok és jellemzők alapján a GraphIX megjósolja a betegség-gyógyszer összefüggést, és kiszámítja a megjósolt betegség és gyógyszer szomszédságában található csomópontok hozzájárulási értékeit. Feltételeztük, hogy a szomszédos fehérjecsomó, amelyhez a modell nagy mértékben hozzájárult, fontos a tényleges farmakológiai hatások megértésében. A fehérje csomópontok hozzájárulásának érvényességének kvantitatív értékelése egy valós adatbázis segítségével azt mutatta, hogy a GraphIX által kimutatott nagy hozzájárulású fehérjék ésszerűek a gyógyszer hatásmechanizmusaként. A GraphIX egy keretrendszer a bizonyítékokon alapuló gyógyszerkutatáshoz, amely új betegség-gyógyszer asszociációkat mutathat be a felhasználóknak, és nagy és összetett tudásbázisból azonosíthatja a farmakológiai hatásainak megértéséhez fontos fehérjét.
