機械学習を活用した化合物構造の最適化では、高精度なモデルを構築・予測することに加えモデルから材料開発に適用できる新たな知見を得ることも重要である。これまでに、ディープラーニングを用いて化合物の予測根拠を可視化する手法が報告されているが、ディープラーニングでの解析が困難な少数データにも適用できる手法の開発も求められている。本発表では、記述子にフィンガープリントを用いた機械学習モデルから、各部分構造の寄与を部分構造の広がりを考慮した上で統合し、ターゲット分子上に可視化する手法を提案する。また、公開データに対して提案手法を適用し、既知の化学的知見と比較して妥当な予測根拠が得られたことを示す。さらに、提案手法を共重合体の最適化に用いた結果を報告する。
