Un modello da 0,4 milioni di parametri ottiene su ClinTox un’AUC-ROC di 0,987 e un F1 di 0,906. Non è una cifra da classifica fine a se stessa: SMILESGNN tiene insieme un encoder transformer per stringhe SMILES e un encoder grafico GATv2, collegati da cross-attention. Il ramo grafico non è un ornamento posticcio, ma una componente esplicita della pipeline predittiva. Serve a usare GNNExplainer per segnalare le sottostrutture molecolari associate alle previsioni di tossicità.

Il punto è decisivo per la chimica farmaceutica, dove una previsione di tossicità senza spiegazione ha un valore decisionale limitato. Un ricercatore deve poter capire se il modello sta puntando un gruppo funzionale noto per la reattività o un artefatto del dataset. Qui la scelta architetturale di SMILESGNN diventa concreta: la cross-attention fonde le rappresentazioni sequenziali e grafiche conservando il ramo grafico dentro il forward pass. Non serve ricostruire la spiegazione a posteriori; la struttura che produce la previsione è già interrogabile.

Il dato dei 0,4 milioni di parametri ha una conseguenza pratica spesso trascurata: un modello così compatto può girare su hardware modesto, senza imporre GPU con grandi quantità di VRAM. In ambienti in cui i dati su molecole e endpoint clinici non possono uscire dal perimetro aziendale o ospedaliero, questo sposta l’equilibrio verso un’inference self-hosted. Non si tratta di rifiutare il cloud per principio, ma di ridurre la dipendenza da servizi esterni proprio nella fase in cui i composti sono più sensibili.

Il confronto nella fonte è indicativo: su ClinTox SMILESGNN compete con uno SMILESTransformer forte e con una baseline concat-fusion ChemBERTa-2/GATv2 più grande. Su Tox21, la variante SMILESGNN-PT con backbone ChemBERTa-2 registra un AUC-ROC medio di 0,750, paragonabile a ChemBERTa-2 da solo e alla baseline concat-fusion. In altre parole, la cross-attention non paga un prezzo predittivo per conservare la spiegabilità del ramo grafico. È un segnale: interpretabilità e performance non devono per forza stare su piani separati, se l’architettura le integra dal principio.

C’è un’implicazione di secondo ordine per chi valuta modelli di questo tipo: la presenza di un ramo grafico esplicito cambia i criteri di audit. Non basta chiedersi se il modello indovina, ma se le sottostrutture segnalate da GNNExplainer sono chimicamente plausibili e coerenti con la letteratura. Per i team che devono documentare le decisioni, questo è un vantaggio; per chi guarda solo al throughput grezzo, può sembrare un costo aggiuntivo. Ma nel contesto clinico il costo dell’opacità è spesso più alto.

Resta aperta la domanda su dataset più ampi e endpoint tossicologici più complessi. La direzione però è chiara: modelli compatti, ibridi e spiegabili stanno diventando una via percorribile per portare l’analisi di tossicità dentro i laboratori, non solo nei data center.