論文の概要: Stochastic-based Neural Network hardware acceleration for an efficient
ligand-based virtual screening
- arxiv url: http://arxiv.org/abs/2006.02505v1
- Date: Wed, 3 Jun 2020 20:18:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 17:36:07.095005
- Title: Stochastic-based Neural Network hardware acceleration for an efficient
ligand-based virtual screening
- Title（参考訳）: 確率的ニューラルネットワークハードウェアアクセラレーションによる効率的なリガンドベース仮想スクリーニング
- Authors: Christian F. Frasser, Carola de Benito, Vincent Canals, Miquel Roca,
Pedro J. Ballester and Josep L. Rossello
- Abstract要約: 仮想スクリーニングは、治療対象の生物活性を示す可能性が最も高い分子化合物の同定方法を研究する。
大量の小さな有機化合物と、このような大規模なスクリーニングを行う可能性のある数千のターゲットにより、分子データベースのスクリーニングにおける処理速度とエネルギー効率の両方を向上する研究コミュニティへの関心が高まっている。
本研究では,各分子を1つのエネルギーベースベクトルで記述した分類モデルを提案し,ANNを用いた機械学習システムを提案する。
- 参考スコア（独自算出の注目度）: 0.6431253679501663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial Neural Networks (ANN) have been popularized in many science and
technological areas due to their capacity to solve many complex pattern
matching problems. That is the case of Virtual Screening, a research area that
studies how to identify those molecular compounds with the highest probability
to present biological activity for a therapeutic target. Due to the vast number
of small organic compounds and the thousands of targets for which such
large-scale screening can potentially be carried out, there has been an
increasing interest in the research community to increase both, processing
speed and energy efficiency in the screening of molecular databases. In this
work, we present a classification model describing each molecule with a single
energy-based vector and propose a machine-learning system based on the use of
ANNs. Different ANNs are studied with respect to their suitability to identify
biochemical similarities. Also, a high-performance and energy-efficient
hardware acceleration platform based on the use of stochastic computing is
proposed for the ANN implementation. This platform is of utility when screening
vast libraries of compounds. As a result, the proposed model showed appreciable
improvements with respect previously published works in terms of the main
relevant characteristics (accuracy, speed and energy-efficiency).
- Abstract（参考訳）: ANN(Artificial Neural Networks)は、多くの複雑なパターンマッチング問題を解く能力のため、多くの科学技術分野で普及している。
これは、治療対象に生物活性を示す確率が最も高い分子化合物を識別する方法を研究する研究領域であるバーチャルスクリーニングのケースである。
大量の小さな有機化合物と、このような大規模なスクリーニングを行う可能性のある数千のターゲットにより、分子データベースのスクリーニングにおける処理速度とエネルギー効率の両方を向上する研究コミュニティへの関心が高まっている。
本研究では,各分子を1つのエネルギーベースベクトルで記述した分類モデルを提案し,ANNを用いた機械学習システムを提案する。
生化学的類似性を同定する適性について異なるアンが研究されている。
また,ANN実装において,確率計算を用いた高性能・エネルギー効率のハードウェアアクセラレーションプラットフォームを提案する。
このプラットフォームは、巨大な化合物ライブラリーをスクリーニングするときに有用である。
その結果, 提案モデルでは, 主に関連する特性(精度, 速度, エネルギー効率)の点から, 先行する作品に対して良好な改善が得られた。
関連論文リスト
- Evaluation Framework for AI-driven Molecular Design of Multi-target Drugs: Brain Diseases as a Case Study [0.0]
マルチターゲットドラッグディスカバリ(Multi-target Drug Discovery、MTDD)は、複雑な疾患に対する薬物発見のパラダイムである。
本稿では,MTDDシナリオにおける分子生成手法の評価フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-20T01:42:16Z) - RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。
RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。
提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
論文 参考訳（メタデータ） (2024-06-01T13:11:11Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - Single Neuromorphic Memristor closely Emulates Multiple Synaptic
Mechanisms for Energy Efficient Neural Networks [71.79257685917058]
我々はこれらのシナプス機能を本質的にエミュレートするSrTiO3に基づく膜状ナノデバイスを実証する。
これらのメムリスタは、安定かつエネルギー効率の良い運転を可能にする非定常低導電系で機能する。
論文 参考訳（メタデータ） (2024-02-26T15:01:54Z) - ChemVise: Maximizing Out-of-Distribution Chemical Detection with the
Novel Application of Zero-Shot Learning [60.02503434201552]
本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。
合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
論文 参考訳（メタデータ） (2023-02-09T20:19:57Z) - Hybrid quantum-classical convolutional neural networks to improve
molecular protein binding affinity predictions [0.0]
本稿では,古典的ネットワークの複雑性を20%削減できるハイブリッド量子古典畳み込みニューラルネットワークを提案する。
その結果、トレーニングプロセスにおいて最大40%の大幅な時間節約が達成され、薬物発見プロセスの有意義なスピードアップが実現した。
論文 参考訳（メタデータ） (2023-01-16T09:53:26Z) - Accurate Prediction of Free Solvation Energy of Organic Molecules via
Graph Attention Network and Message Passing Neural Network from Pairwise
Atomistic Interactions [14.87390785780636]
本稿では,グラフニューラルネットワーク(gnn)アーキテクチャに基づく自由解法エネルギー予測問題に対する2つの新しいモデルを提案する。
gnnは分子の予測情報をグラフ構造から直接低次元の特徴として要約することができる。
提案手法は, 解解自由エネルギー予測のタスクにおいて, 既存の機械学習手法に加えて, 量子力学および分子動力学の手法を上回っていることを示す。
論文 参考訳（メタデータ） (2021-04-15T22:15:18Z) - A Systematic Comparison Study on Hyperparameter Optimisation of Graph
Neural Networks for Molecular Property Prediction [8.02401104726362]
グラフニューラルネットワーク(GNN)は、幅広いグラフ関連学習タスクに対して提案されている。
近年,分子特性の予測に応用されたGNNシステムが増えてきている。
論文 参考訳（メタデータ） (2021-02-08T15:40:50Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳（メタデータ） (2021-02-04T03:11:00Z) - Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。
実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2021-01-22T19:49:47Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。