論文の概要: The impact of external innovation on new drug approvals: A retrospective
analysis
- arxiv url: http://arxiv.org/abs/2102.01260v1
- Date: Tue, 2 Feb 2021 02:21:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 16:35:39.295763
- Title: The impact of external innovation on new drug approvals: A retrospective
analysis
- Title（参考訳）: 外部イノベーションが新規医薬品承認に与える影響--ふりかえり分析
- Authors: Xiong Liu, Craig E. Thomas, Christian C. Felder
- Abstract要約: 食品医薬品局(FDA)が承認した新規分子実体(NMEs)と13大手製薬会社(2006-2016)による新生物実体(NBEs)の出版前史を分析した。
その結果,学術機関が出版前の出版物の大部分に貢献し,出版内容が各イノベータの強みと密接に一致していることが判明した。
これは、認可された薬物が、多くの機関によって提供されるより堅牢なデータセットと関連付けられていることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Pharmaceutical companies are relying more often on external sources of
innovation to boost their discovery research productivity. However, more
in-depth knowledge about how external innovation may translate to successful
product launches is still required in order to better understand how to best
leverage the innovation ecosystem. We analyzed the pre-approval publication
histories for FDA-approved new molecular entities (NMEs) and new biologic
entities (NBEs) launched by 13 top research pharma companies during the last
decade (2006-2016). We found that academic institutions contributed the
majority of pre-approval publications and that publication subject matter is
closely aligned with the strengths of the respective innovator. We found this
to also be true for candidate drugs terminated in Phase 3, but the volume of
literature on these molecules is substantially less than for approved drugs.
This may suggest that approved drugs are often associated with a more robust
dataset provided by a large number of institutes. Collectively, the results of
our analysis support the hypothesis that a collaborative research innovation
environment spanning across academia, industry and government is highly
conducive to successful drug approvals.
- Abstract（参考訳）: 製薬会社は、発見研究の生産性を高めるために外部のイノベーション源に頼りがちです。
しかし、イノベーションエコシステムを最大限に活用する方法についてより深く理解するためには、外部のイノベーションがプロダクトのローンチを成功に導く方法に関する深い知識が必要である。
FDAが承認した新規分子実体(NMEs)と13の大手製薬会社(2006-2016年)が立ち上げた新生物実体(NBEs)について,承認前の文献を分析した。
学術機関が承認前の出版物の大半に貢献し、出版主題がそれぞれの革新者の強みと密接に一致していることが判明した。
これは第3相で終了する候補薬にも当てはまりますが、これらの分子に関する文献の量は承認された薬物よりもはるかに少ないです。
これは、認可された薬物は、多くの研究所によって提供されるより堅牢なデータセットとしばしば関連していることを示唆している。
総合的に分析した結果,学界,産業界,政府にまたがる共同研究イノベーション環境が,医薬品承認の成功に非常に寄与するという仮説が支持された。
関連論文リスト
- Two Heads Are Better Than One: A Multi-Agent System Has the Potential to Improve Scientific Idea Generation [48.29699224989952]
VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。
このマルチエージェントアプローチは、新規で影響力のある科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-10-12T07:16:22Z) - 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) - BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。
我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。
この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
論文 参考訳（メタデータ） (2024-08-19T05:17:40Z) - Learning a Patent-Informed Biomedical Knowledge Graph Reveals Technological Potential of Drug Repositioning Candidates [6.268435617836703]
本研究では, 医薬品特許やバイオメディカルデータベースなど, さまざまな資料を解析するための新しいプロトコルを提案する。
薬物再配置候補を, 技術的可能性と科学的証拠の両方で同定する。
アルツハイマー病の症例研究は,その有効性と実現可能性を示している。
論文 参考訳（メタデータ） (2023-09-04T02:30:19Z) - 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) - Recent Developments in Structure-Based Virtual Screening Approaches [0.0]
構造に基づく仮想スクリーニングの基礎について紹介する。
主要な原則、最近の成功談、新しい方法、利用可能なソフトウェア、将来的な研究方向性について概説する。
バーチャルスクリーニングは、新しい小分子薬の開発において大きな可能性を秘めている。
論文 参考訳（メタデータ） (2022-11-06T19:28:25Z) - Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。
EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。
その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文 参考訳（メタデータ） (2022-10-11T16:07:52Z) - Tailoring Molecules for Protein Pockets: a Transformer-based Generative
Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。
そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文 参考訳（メタデータ） (2022-08-30T09:32:39Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z) - AI and the future of pharmaceutical research [0.0]
この論文は、医薬品のAIの継続的な革新は、これまで治療できなかった病気に対する安全で効果的な治療法の迅速な開発を可能にすると論じている。
業界はすでに、薬物分子発見時間の10倍削減などの結果を報告している。
この論文は、医薬品のAIに焦点をあてることによって、業界はもう一つの大きな破壊、すなわちオープンなデータ共有とコラボレーションに向けて軌道を踏み出した、と結論付けている。
論文 参考訳（メタデータ） (2021-06-25T17:56:36Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳（メタデータ） (2020-04-26T21:40:03Z)
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。