Der Artikel von Miller (2019) und die Preprints von Doshi-Velez & Kim (2017) sowie Azodi, Tang & Shiu (2020) bieten Einblicke in die Erklärbarkeit von künstlicher Intelligenz im Bereich der Genetik und Biologie. Eraslan, Avsec, Gagneur & Theis (2019) präsentieren eine umfassende Überprüfung der Anwendung von Deep-Learning-Modellen in der Genomik. Talukder, Barham, Li & Hu (2021) befassen sich mit der Interpretation von Deep-Learning-Modellen in der Genomik und Epigenomik. Novakovsky, Dexter, Libbrecht, Wasserman & Mostafavi (2023) bieten einen breiten Überblick über die gängigen IML-Methoden in der Biologie anhand von Beispielen aus der regulatorischen Genomik.
Klauschen et al. (2024) diskutieren die Bedeutung von erklärbarer künstlicher Intelligenz für die Präzisionspathologie. Avsec et al. (2021) stellen Modelle zur Vorhersage der Genexpression aus der Sequenz vor und bieten einen biologischen Kontext. Schwessinger et al. (2020) entwickeln DeepC zur Vorhersage der 3D-Genomfaltung. Karimi, Wu, Wang & Shen (2019) präsentieren DeepAffinity zur Interpretation der Affinität von Verbindungen und Proteinen. Vig et al. (2021) diskutieren die Interpretation von Proteinsprache-Modellen in der Biologie.
Die Artikel decken verschiedene Aspekte der Interpretierbarkeit von maschinellem Lernen, insbesondere im biologischen Kontext, ab. Sie diskutieren Methoden und Modelle zur Erklärung von Entscheidungen und Vorhersagen von Deep-Learning-Modellen in der Genomik und anderen biologischen Bereichen. Auch die Bedeutung von erklärbarer künstlicher Intelligenz für die Biologie und Medizin wird betont. Es werden sowohl methodische als auch anwendungsorientierte Aspekte beleuchtet, um die Verbindung zwischen technischem Verständnis und biologischer Interpretation zu erleichtern.