論文の概要: Applications of artificial intelligence in drug development using real-world data

• arxiv url: http://arxiv.org/abs/2101.08904v2
• Date: Tue, 2 Feb 2021 17:59:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 17:27:57.422324
• Title: Applications of artificial intelligence in drug development using real-world data
• Title（参考訳）: 現実世界データを用いた薬物開発における人工知能の応用
• Authors: Zhaoyi Chen, Xiong Liu, William Hogan, Elizabeth Shenkman, Jiang Bian
• Abstract要約: FDAは医薬品開発における実世界のデータ(RWD)の利用を積極的に推進している。 RWDは、治療が使用される実際の臨床環境を反映した重要な現実世界の証拠を生成することができる。 ML/DL(Machine- and Deep-learning)法は、薬物開発プロセスの多くの段階にまたがって用いられている。
• 参考スコア（独自算出の注目度）: 3.692950272002333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The US Food and Drug Administration (FDA) has been actively promoting the use of real-world data (RWD) in drug development. RWD can generate important real-world evidence reflecting the real-world clinical environment where the treatments are used. Meanwhile, artificial intelligence (AI), especially machine- and deep-learning (ML/DL) methods, have been increasingly used across many stages of the drug development process. Advancements in AI have also provided new strategies to analyze large, multidimensional RWD. Thus, we conducted a rapid review of articles from the past 20 years, to provide an overview of the drug development studies that use both AI and RWD. We found that the most popular applications were adverse event detection, trial recruitment, and drug repurposing. Here, we also discuss current research gaps and future opportunities.
• Abstract（参考訳）: 米国食品医薬品局(FDA)は、医薬品開発における実世界のデータの利用を積極的に推進している。 RWDは、治療が使用される実際の臨床環境を反映した重要な現実世界の証拠を生成することができる。 一方、人工知能(AI)、特に機械学習とディープラーニング(ML/DL)の手法は、医薬品開発プロセスの多くの段階にわたって利用されてきた。 aiの進歩は、大規模な多次元rwdを分析する新しい戦略も提供した。 そこで我々は過去20年間の論文の素早いレビューを行い、AIとRWDの両方を用いた薬物開発研究の概要について概説した。 最も一般的な応用は、有害事象検出、トライアル採用、薬物再資源化であった。 ここでは、現在の研究ギャップと今後の機会についても論じる。

関連論文リスト

• DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration [31.892593155710625]
  本稿では,薬物発見における機械学習(ML)プログラムの自動化を目的としたマルチエージェントフレームワークであるDrarmAgentを紹介する。 DrugAgentは、特定の要件を特定し、ドメイン固有のツールを構築することで、ドメインの専門知識を取り入れている。 例えば、DarmAgentは、データ取得からADMET予測タスクのパフォーマンス評価まで、MLプログラミングパイプラインをエンドツーエンドで完了し、最終的に最良のモデルを選択することができる。
  論文  参考訳（メタデータ） (2024-11-24T03:06:59Z)
• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
  本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。 これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• Artificial Intelligence for Drug Discovery: Are We There Yet? [0.08306867559432653]
  薬物発見は、効果的な治療開発を促進するために、データサイエンス、情報学、人工知能(AI)といった新しい技術に適応している。 本稿では, 薬物発見の3つの柱である疾患, 標的, 治療モダリティにおけるAIの利用について論じる。
  論文  参考訳（メタデータ） (2023-07-13T01:51:26Z)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
  DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。 総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
  論文  参考訳（メタデータ） (2022-03-28T05:44:29Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• Artificial Intelligence in Drug Discovery: Applications and Techniques [33.59138543942538]
  仮想スクリーニングやドラッグデザインなど、さまざまなAI技術が幅広い用途で使用されている。 まず、薬物発見の概要を説明し、関連するアプリケーションについて議論し、2つの主要なタスクに還元することができる。 次に、一般的なデータリソース、分子表現、ベンチマークプラットフォームについて議論する。
  論文  参考訳（メタデータ） (2021-06-09T20:46:44Z)
• When deep learning meets causal inference: a computational framework for drug repurposing from real-world data [12.68717103979673]
  既存の薬物精製法は、ヒトに適用した場合に翻訳上の問題が存在する可能性がある。 薬物再資源化のための複数の候補の生成と試験を行うための,効率的かつ簡便なフレームワークを提案する。 本研究の枠組みは, 冠動脈疾患(CAD)の症例研究において, 55の薬剤候補が各種疾患の予後に及ぼす影響を評価することで実証する。
  論文  参考訳（メタデータ） (2020-07-16T21:30:56Z)

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。