論文の概要: Toxicity Detection in Drug Candidates using Simplified Molecular-Input
Line-Entry System
- arxiv url: http://arxiv.org/abs/2101.10831v1
- Date: Thu, 21 Jan 2021 07:02:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-21 18:43:59.323964
- Title: Toxicity Detection in Drug Candidates using Simplified Molecular-Input
Line-Entry System
- Title（参考訳）: 簡易分子入力線入力システムによる薬剤候補の毒性検出
- Authors: Mriganka Nath and Subhasish Goswami
- Abstract要約: 新しい薬物候補の毒性の分析の必要性とそれを行うための要件は、科学者の考慮を求めています。
本稿では,Long short term memory (LSTM) に基づくモデルを構築するためのパラメータとして,SMILES(simple Molecular Input Line-Entry System)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The need for analysis of toxicity in new drug candidates and the requirement
of doing it fast have asked the consideration of scientists towards the use of
artificial intelligence tools to examine toxicity levels and to develop models
to a degree where they can be used commercially to measure toxicity levels
efficiently in upcoming drugs. Artificial Intelligence based models can be used
to predict the toxic nature of a chemical using Quantitative Structure Activity
Relationship techniques. Convolutional Neural Network models have demonstrated
great outcomes in predicting the qualitative analysis of chemicals in order to
determine the toxicity. This paper goes for the study of Simplified Molecular
Input Line-Entry System (SMILES) as a parameter to develop Long short term
memory (LSTM) based models in order to examine the toxicity of a molecule and
the degree to which the need can be fulfilled for practical use alongside its
future outlooks for the purpose of real world applications.
- Abstract（参考訳）: 新たな薬物候補における毒性の分析の必要性と、それを迅速に行うことの必要性は、人工知能ツールを用いて毒性レベルを調べ、将来薬物の毒性レベルを効率的に測定するために商業的に使用できる程度までモデルを開発するよう科学者に求めている。
人工知能に基づくモデルは、定量的構造活性相関法を用いて化学物質の毒性を予測するために用いられる。
畳み込みニューラルネットワークモデルは、毒性を決定するために化学物質の質的分析を予測する大きな結果を示した。
本稿では, 分子の毒性と, 実世界の応用に向けての今後の展望とともに, 実用上のニーズを満たすために, 長期記憶(LSTM)に基づくモデルを開発するためのパラメータとして, SMILES(Simplified Molecular Input Line-Entry System)について検討する。
関連論文リスト
- 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) - Predicting Drug Repurposing Candidates and Their Mechanisms from A
Biomedical Knowledge Graph [11.64859287146094]
コンピュータドラッグ再資源化(Computational drug repurposing)は、承認または実験薬/化合物の新しい表示を識別するための費用対効果の高い方法である。
再使用された薬物とその標的疾患の間の作用機構は、いまだに不明である。
本稿では, 薬物と疾患の治療法の確率を予測できるだけでなく, バイオメディカルな説明として, 行動の経路ベース, テスト可能なメカニズムを予測できる計算用薬物再資源化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-30T17:05:22Z) - In Silico Prediction of Blood-Brain Barrier Permeability of Chemical
Compounds through Molecular Feature Modeling [0.0]
中枢神経系障害を治療する新薬の開発は、血液脳関門をまたぐ浸透効果の低下により、ユニークな課題を呈している。
本研究では,化学物質の特徴を解析するMLモデルを用いて,この問題を軽減することを目的とする。
論文 参考訳（メタデータ） (2022-08-18T19:59:44Z) - Application of Dimensional Reduction in Artificial Neural Networks to
Improve Emergency Department Triage During Chemical Mass Casualty Incidents [0.5156484100374058]
ケミカル・マス・カジュアルティ・インシデント(MCI)は、病院職員やリソースに重きを置き、機械学習(ML)ツールは介護者に効率的な意思決定支援を提供する。
本研究では,311種類の有害化学物質と79種類の徴候および症状のデータセットを削減するための4つの統計的次元減少手法の適用について検討した。
以上の結果から, 化学原因の特定に必要な徴候や症状の数は, モデル精度を低下させることなく, 40 SSx程度に削減できることがわかった。
論文 参考訳（メタデータ） (2022-04-01T18:04:23Z) - RECOVER: sequential model optimization platform for combination drug
repurposing identifies novel synergistic compounds in vitro [46.773794687622825]
深層学習モデルに適用した逐次モデル最適化探索を用いて,がん細胞株に対して高い相乗効果を持つ薬物の組み合わせを迅速に発見する。
モデルによりクエリされた組み合わせの集合は、非常にシナジスティックな組み合わせに富んでいることがわかった。
臨床的に検討中であることが判明した相乗効果薬の併用が再発見された。
論文 参考訳（メタデータ） (2022-02-07T02:54:29Z) - Pathloss modeling for in-body optical wireless communications [65.33908037519238]
光無線通信(OWC)は、次世代の体内ナノスケールネットワークとインプラントの候補として認識されている。
本稿では,体内OWCの一般パスロスモデルについて述べる。
論文 参考訳（メタデータ） (2021-05-06T17:17:45Z) - RealToxicityPrompts: Evaluating Neural Toxic Degeneration in Language
Models [93.151822563361]
事前訓練されたニューラルネットワークモデル(LM)は、安全なデプロイメントを妨げる人種差別的、性差別的、その他の有害な言語を生成する傾向にある。
本研究では, 予め訓練したLMが有害な言語を生成できる範囲と, 有害な変性を防止するための制御可能なテキスト生成アルゴリズムの有効性について検討する。
論文 参考訳（メタデータ） (2020-09-24T03:17:19Z) - Explaining Chemical Toxicity using Missing Features [12.659531194569078]
機械学習を用いた化学毒性予測は、反復的な動物実験とヒト試験を減らし、コストと時間を節約するために、医薬品開発において重要である。
計算毒性学モデルの予測は機械的に説明可能であることが強く推奨されている。
本稿では,最近開発されたコントラスト的説明法 (CEM) を適用し,なぜ化学物質や分子が有毒であるか否かの理由を説明する。
論文 参考訳（メタデータ） (2020-09-23T23:34:34Z) - 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) - Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost
Functions [80.12620331438052]
深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました
その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。
このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
論文 参考訳（メタデータ） (2020-06-25T08:46:37Z)
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。