Auditable GNN toxicity: toxicophore-grounded, assay-aware explanations for early drug discovery

The central contribution of this thesis is a workflow that elevates attributions into interpretable concepts. Instead of black-box results, the approach identifies specific molecular parts that drive predictions and provides clear, testable explanations tailored to each chemical test. Chemists get transparent, auditable reasoning they can trust while maintaining prediction accuracy-making it much easier to decide which compounds to pursue in drug discovery workflows. All this is delivered, while maintaining strong predictive accuracy.

Il contributo centrale di questa tesi consiste nello sviluppo di un flusso di lavoro che innalza le attribuzioni a concetti realmente interpretabili. Invece di produrre risultati opachi, l’approccio identifica parti molecolari specifiche che guidano le predizioni e fornisce spiegazioni chiare e verificabili, adattate a ciascun test chimico. In questo modo i chimici ottengono un ragionamento trasparente e controllabile, su cui possono fare affidamento, senza rinunciare all’accuratezza predittiva: ciò rende molto più agevole decidere quali composti approfondire nei flussi di lavoro per la scoperta di farmaci. Tutto questo è ottenuto mantenendo elevate prestazioni predittive.