基于图元(Orbit)的生物数据集图神经网络(GNN)解释性生成器研究

为解决图神经网络(GNN)在生物网络解释中忽视子图分析的局限性，研究人员开发了新型轨道分解解释器(OExplainer)，通过整合样本级与方法级分析，在蛋白质相互作用网络和代谢网络中实现了更全面的顶点分类解释，显著提升模型可解释性。

　　

在生物网络分析领域，图神经网络(Graph Neural Networks, GNN)的可解释性需求日益凸显，尤其是对顶点间动态相互作用(edges)的解析。现有方法多局限于样本级解释，缺乏对子图结构权重(graphlet-based weights)的系统分析。这项研究提出创新性轨道解释器(OExplainer)，通过分解预定义子图集的神经网络权重，实现双重突破：1) 采用非同构图元(nonisomorphic graphlets)构建顶点特异性评分体系，提升单样本分类性能；2) 通过轨道(orbit)特征量化揭示顶点表征的决定机制。实验验证显示，该方法在模拟数据集和真实生物网络(包括蛋白质-蛋白质相互作用网络(PPI)和代谢网络)中均显著优于基线模型，为复杂生物系统的智能化解析提供了新范式。