論文の概要: Machine learning and AI-based approaches for bioactive ligand discovery
and GPCR-ligand recognition
- arxiv url: http://arxiv.org/abs/2001.06545v3
- Date: Sat, 6 Jun 2020 04:08:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 13:03:55.599784
- Title: Machine learning and AI-based approaches for bioactive ligand discovery
and GPCR-ligand recognition
- Title（参考訳）: 機械学習とaiによる生体活性リガンドの発見とgpcrリガンド認識
- Authors: Sebastian Raschka and Benjamin Kaufman
- Abstract要約: ディープラーニングは、従来の機械学習だけでなく、高度に専門化されたツールよりも優れていることが示されている。
我々は、GPCR生物活性分子の発見に繋がった最新のAIベースの研究を強調した。
このレビューは、ディープラーニングの最近の研究動向を浮き彫りにした、短い展望で締めくくっている。
- 参考スコア（独自算出の注目度）: 2.842794675894731
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last decade, machine learning and artificial intelligence applications
have received a significant boost in performance and attention in both academic
research and industry. The success behind most of the recent state-of-the-art
methods can be attributed to the latest developments in deep learning. When
applied to various scientific domains that are concerned with the processing of
non-tabular data, for example, image or text, deep learning has been shown to
outperform not only conventional machine learning but also highly specialized
tools developed by domain experts. This review aims to summarize AI-based
research for GPCR bioactive ligand discovery with a particular focus on the
most recent achievements and research trends. To make this article accessible
to a broad audience of computational scientists, we provide instructive
explanations of the underlying methodology, including overviews of the most
commonly used deep learning architectures and feature representations of
molecular data. We highlight the latest AI-based research that has led to the
successful discovery of GPCR bioactive ligands. However, an equal focus of this
review is on the discussion of machine learning-based technology that has been
applied to ligand discovery in general and has the potential to pave the way
for successful GPCR bioactive ligand discovery in the future. This review
concludes with a brief outlook highlighting the recent research trends in deep
learning, such as active learning and semi-supervised learning, which have
great potential for advancing bioactive ligand discovery.
- Abstract（参考訳）: 過去10年間で、機械学習と人工知能の応用は、学術研究と産業の両方において、パフォーマンスと注目を集めている。
最近の最先端の手法のほとんどの背後にある成功は、ディープラーニングの最新の発展によるものである。
画像やテキストなどの非タブラルデータ処理に関わるさまざまな科学領域に適用すると、ディープラーニングは従来の機械学習だけでなく、ドメインの専門家によって開発された高度に専門化されたツールよりも優れていることが示されている。
本稿では,gpcrバイオアクティブリガンドの発見のためのaiベースの研究を,最近の成果と研究動向に焦点をあてて要約する。
この記事を計算科学者の幅広い読者に提供するために、最も一般的に使用されるディープラーニングアーキテクチャの概要や分子データの特徴表現など、基礎となる方法論を指導的に説明します。
我々は、GPCR生物活性リガンドの発見に繋がった最新のAIベースの研究を強調した。
しかしながら、このレビューは、一般のリガンド発見に応用され、将来的にはGPCR生物活性リガンド発見を成功させる道を開く可能性がある機械学習ベースの技術の議論に焦点を当てている。
本総説は,生物活性リガンド発見を推し進める大きな可能性を持つ,能動的学習や半教師あり学習など,近年の深層学習の研究動向を概観するものである。
関連論文リスト
- O1 Replication Journey: A Strategic Progress Report -- Part 1 [52.062216849476776]
本稿では,O1 Replication Journeyに具体化された人工知能研究の先駆的アプローチを紹介する。
我々の方法論は、長期化したチームベースのプロジェクトの不規則性を含む、現代のAI研究における重要な課題に対処する。
本稿では,モデルにショートカットだけでなく,完全な探索プロセスの学習を促す旅行学習パラダイムを提案する。
論文 参考訳（メタデータ） (2024-10-08T15:13:01Z) - EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。
本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
論文 参考訳（メタデータ） (2024-03-27T02:24:38Z) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - Synaptic Plasticity Models and Bio-Inspired Unsupervised Deep Learning:
A Survey [9.284385189718236]
最近登場したディープラーニング(DL)技術は、人工知能(AI)分野における様々なタスクにおいて優れた成果を上げている。
本調査では, シナプスの可塑性モデル, DLシナリオへの応用, スパイキングニューラルネットワーク(SNN)における可塑性モデルとの関係について検討した。
バイオインスパイアされたディープラーニング(bio-Inspired Deep Learning, BIDL)は、私たちの現在の技術だけでなく、インテリジェンスに対する理解も進めることを目指して、エキサイティングな研究の方向性を示している。
論文 参考訳（メタデータ） (2023-07-30T13:58:46Z) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。
近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文 参考訳（メタデータ） (2023-02-16T12:38:01Z) - A Review of Deep Learning Techniques for Protein Function Prediction [0.0]
本稿では, 深層学習を用いたタンパク質機能予測手法の最近の展開を概説する。
我々は,コンピュータビジョン,自然言語処理,マルチモーダル学習の分野で画期的な成果を収めた,現代の最先端のディープラーニングモデル(SOTA)の出現に注目した。
論文 参考訳（メタデータ） (2022-10-27T20:30:25Z) - Bridging Machine Learning and Sciences: Opportunities and Challenges [0.0]
機械学習の科学への応用は、近年、エキサイティングな進歩を遂げている。
近年,ディープ・ニューラルネットを用いたアウト・オブ・ディストリビューション検出は高次元データにおいて大きな進歩を遂げている。
我々は、データ普遍性、実験プロトコル、モデル堅牢性など、それらの適用可能性について批判的に考察する。
論文 参考訳（メタデータ） (2022-10-24T17:54:46Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
論文 参考訳（メタデータ） (2022-10-04T13:48:59Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。
治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。
この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文 参考訳（メタデータ） (2021-05-03T21:20:20Z) - Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。
ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。
提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
論文 参考訳（メタデータ） (2020-08-05T15:45:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。