分子GCNNは特性予測で高精度を示すが、予測根拠がブラックボックスのため研究・産業での採用が阻まれる。説明可能AI（XAI）として GradCAM や GNNExplainer が分子に適用されてきたが、これらの手法は分子グラフが持つ対称性を考慮しない設計のため、化学的に等価な位置に異なる重要度を割り当てる現象が発生する。
→ 分子のトポロジー対称性を取り込んだ「化学者が読める」説明手法を構築したい
対称グループ内のスコア分散がゼロに収束。化学者にとって直感的に解釈可能な説明を保証。
既知活性サブ構造（官能基・薬効団）との一致率が既存手法より一貫して高いと報告。
| 指標 | GradCAM | GNNExplainer | MolgraphX |
|---|---|---|---|
| 計算量 | O(N) | O(N²)以上 | O(N) |
| 対称性整合 | 無 | 無 | 有 |
| 大規模ライブラリ | 可 | 困難 | 可 |
| 追加学習 | 不要 | 必要 | 不要 |
小有機分子の代表的物性タスクで検証。タンパク質結合・反応予測など他タスクへの拡張は今後の課題。
等価原子に等価スコアを与えるという「自明」な化学的制約が、既存XAIには欠落していた。この一行の制約だけで説明品質が改善する。
勾配/摂動ベースのスコアにポストホックで掛けるだけ。学習済みモデルを差し替えずXAIの一貫性を強化できる。
「直感に合う」の定量化が難しく、薬効団マッチ率という代替指標に頼る。グラウンドトゥルース整備が次の論点。
GCNN自身が誤った特徴を学習している場合、MolgraphX は「対称的に整った誤った説明」を返すリスクがある。