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
- Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳(メタデータ) (2024-03-13T09:42:46Z) - Zero-shot Learning of Drug Response Prediction for Preclinical Drug
Screening [38.94493676651818]
ゼロショット学習ソリューションを提案する。
予防的薬物スクリーニングの課題です
具体的には、MSDAと呼ばれるマルチブランチマルチソースドメイン適応テスト拡張プラグインを提案する。
論文 参考訳(メタデータ) (2023-10-05T05:55:41Z) - 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。