VINCENT：用于跨药物治疗解释的验证交互网络

药物协同作用预测旨在估计两种药物产生的联合效应是否强于其各自单独作用所预期的效果。对于药物组合发现而言，单一的协同得分往往并不够：研究人员还需要知道哪些分子区域共同驱动了这一预测。我们研究基序对协同解释，即识别分别来自两种药物的、在化学上连贯的区域对，它们共同促成预测的协同作用。现有的可解释协同模型会暴露原子级或子结构级信号，但其解释被内嵌于预测器架构中，而且没有任何方法在重复扰动下验证跨药物区域得分，或将这些证据反馈回来以细化解释。可靠的基序对解释应当具有化学连贯性、扰动稳定性，并与预测器行为一致。我们提出 VINCENT（Validated Interaction Network for Cross-drug Explanation of Therapeutics），这是一个面向固定交互感知协同预测器的训练后框架。VINCENT 从注意力和梯度信号中提取原子对证据，将原子分组为化学上连贯的基序，并通过重复的局部扰动验证候选基序对。验证后的证据会反馈用于优化基序分配，从而得到满足这三项标准的解释。在一个包含 25 对、带有文献标注的子集上，VINCENT 实现了 0.826 的平均基序召回率（95% CI: 0.78-0.87），而基线方法为 0.49-0.66。在全部 71 对测试样本上，其验证后的交互得分带来了 3.36 的 TP/TN 分离度。这些结果表明，闭环扰动验证比现有替代方法更准确地恢复了文献支持的分子区域，同时生成了更能反映预测器行为的跨药物交互得分。