MPNN-CWExplainer：融合类加权损失与可解释性的HIV药物生物活性预测增强框架

本刊推荐的研究解决了HIV药物生物活性预测中的类不平衡（class imbalance）和模型解释性差的问题，研究者开发了MPNN-CWExplainer框架，整合消息传递神经网络(Message Passing Neural Network, MPNN)、类加权损失(class-weighted loss)和GNNExplainer，通过贝叶斯超参数优化(Bayesian hyperparameter optimization)提升鲁棒性，实现了87.631%的AUC-ROC和86.02%的AUC-PRC，显著优于基线模型。该框架不仅提高预测准确性，还提供分子级可解释性，为抗HIV药物发现（drug discovery）提供透明化工具，支持先导化合物优化。

　　

HIV（人类免疫缺陷病毒）作为一种逆转录病毒，持续威胁全球健康，导致免疫系统衰竭和AIDS（获得性免疫缺陷综合征）进展。尽管抗逆转录病毒疗法（如蛋白酶抑制剂和整合酶抑制剂）已取得进展，但药物耐药性、副作用和病毒突变仍是重大挑战。当前，计算机辅助药物发现（Computer-Aided Drug Discovery, CDD）依赖于深度学习模型预测分子生物活性，但面临两大瓶颈：数据集类不平衡（少数活性化合物样本不足）导致预测偏差，以及模型“黑箱”特性缺乏解释性，使得药物化学家难以信任和利用预测结果。这些问题阻碍了新药开发进程，急需一种兼顾准确性和透明性的解决方案。为此，研究人员开展了针对HIV生物活性预测的创新研究，开发出MPNN-CWExplainer框架，旨在提升预测性能并提供分子级可解释性，为加速抗HIV药物设计提供科学依据。

研究团队采用多项关键技术：首先，利用MoleculeNet benchmark的HIV数据集（包含超过40,000个化合物），通过SMILES字符串编码为图结构；其次，构建消息传递神经网络(Message Passing Neural Network, MPNN)处理分子图，整合类加权损失函数（class-weighted loss）以校正类不平衡问题；第三，引入GNNExplainer进行事后解释（post-hoc interpretability），识别关键原子和键级子结构；最后，通过贝叶斯超参数优化（Bayesian hyperparameter optimization）和50次独立运行确保模型鲁棒性，训练集、验证集和测试集按8:1:1比例划分。

研究结果如下：

• Aims（目标）：本研究旨在改善HIV生物活性预测，并通过可解释性洞察分子决定因素。研究人员聚焦于开发一个框架，解决类不平衡和模型透明性问题，以支持药物发现决策。
• Materials and methods（材料与方法）：通过整合MPNN和类加权损失，框架优化节点表示更新（message-passing operations），同时采用GNNExplainer提供解释性。贝叶斯优化超参数（如学习率和层数）确保泛化能力。
• Key findings（关键发现）：MPNN-CWExplainer在HIV数据集上实现最高预测性能，AUC-ROC达87.631%，AUC-PRC达86.02%，超越基线模型。类加权方法增强少数类表示，GNNExplainer成功识别化学有意义的子结构（如活性分子中的关键键），与生物活性相关。
• Significance（意义）：该框架不仅提升预测准确率，还增强模型透明性，使研究者能理解分子行为，支持先导化合物优化（lead optimization）和分子设计，推动计算药物发现。

研究结论和讨论强调，MPNN-CWExplainer通过类加权损失和GNNExplainer，有效解决了类不平衡和解释性缺陷，成为HIV药物发现的可靠工具。其重要意义在于：框架的预测性能（如AUC-PRC 8