В статье представлен новый интерпретируемый фреймворк AuditPPI, предназначенный для аудита моделей предсказания белок-белковых взаимодействий (PPI), основанных на языковых моделях белков. Авторы используют разреженные автоэнкодеры (SAE) для извлечения признаков из замороженной языковой модели и преобразования их в инвариантные к порядку отпечатки пар, что позволяет переформулировать задачу предсказания PPI как проблему табличного обучения. Методология включает мультимасштабный аудит информации, поддерживающей предсказания, с использованием различных бенчмарков, включая белок-разделенные и контролирующие топологию. Ключевые результаты показывают, что хотя AuditPPI достигает конкурентоспособной предсказательной точности, стандартные бенчмарки часто опираются на контекстуальные сокращения, такие как субклеточная ко-локализация, а не на специфические биологические сигналы интерфейсов взаимодействий. Структурный анализ не выявил значительного обогащения признаков в интерфейсах после контроля за поверхностной экспозицией, что указывает на отсутствие механической достоверности у многих существующих предикторов. Работа демонстрирует, что предсказательный успех не всегда означает понимание биологического механизма, и предлагает практический инструмент для оценки того, захватывают ли модели реальные сигналы взаимодействий или используют артефакты данных. Это исследование критически важно для развития надежных ИИ-систем в структурной биологии и фармакологии, так как помогает отделить истинные биологические инсайты от статистических совпадений.