論文の概要: Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective

• arxiv url: http://arxiv.org/abs/2102.06045v1
• Date: Wed, 10 Feb 2021 00:43:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-13 02:00:42.464830
• Title: Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective
• Title（参考訳）: 医療療法のための人工知能に基づく自律的分子設計 : 展望
• Authors: Rajendra P. Joshi and Neeraj Kumar
• Abstract要約: ドメイン認識機械学習(ML)モデルは、小さな分子治療設計の加速にますます採用されている。 我々は、各コンポーネントによって達成された最新のブレークスルーと、このような自律型AIとMLワークフローをどのように実現できるかを提示する。
• 参考スコア（独自算出の注目度）: 9.371378627575883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain-aware machine learning (ML) models have been increasingly adopted for accelerating small molecule therapeutic design in the recent years. These models have been enabled by significant advancement in state-of-the-art artificial intelligence (AI) and computing infrastructures. Several ML architectures are pre-dominantly and independently used either for predicting the properties of small molecules, or for generating lead therapeutic candidates. Synergetically using these individual components along with robust representation and data generation techniques autonomously in closed loops holds enormous promise for accelerated drug design which is a time consuming and expensive task otherwise. In this perspective, we present the most recent breakthrough achieved by each of the components, and how such autonomous AI and ML workflow can be realized to radically accelerate the hit identification and lead optimization. Taken together, this could significantly shorten the timeline for end-to-end antiviral discovery and optimization times to weeks upon the arrival of a novel zoonotic transmission event. Our perspective serves as a guide for researchers to practice autonomous molecular design in therapeutic discovery.
• Abstract（参考訳）: ドメイン認識機械学習(ML)モデルは、近年、小さな分子治療設計の加速にますます採用されている。 これらのモデルは、最先端の人工知能(AI)とコンピューティングインフラストラクチャの大幅な進歩によって実現されています。 いくつかのMLアーキテクチャは、主に独立して、小さな分子の特性を予測するために、またはリード治療候補を生成するために使用されます。 これらの個々のコンポーネントとロバストな表現とデータ生成テクニックをクローズドループで自律的に使用することによって、薬物設計の高速化が期待できる。 この観点から、各コンポーネントによって達成された最新のブレークスルーと、このような自律AIおよびMLワークフローがヒット識別とリード最適化を根本的に加速するためにどのように実現できるかを紹介します。 これは、新しい動物性感染イベントが到着する数週間前に、エンド・ツー・エンドの抗ウイルス発見と最適化のタイムラインを大幅に短縮する可能性がある。 我々の視点は、研究者が治療発見において自律的な分子設計を実践するためのガイドとなる。

関連論文リスト

• Towards Evolutionary-based Automated Machine Learning for Small Molecule Pharmacokinetic Prediction [0.0]
  小分子の性質は、医薬品開発の初期段階において不可欠である。 既存のメソッドにはパーソナライゼーションがなく、手作業によるMLアルゴリズムやパイプラインに依存している。 分子特性の予測に特化して設計された進化型自動ML法(AutoML)を提案する。
  論文  参考訳（メタデータ） (2024-08-01T09:46:06Z)
• Generating synthetic multi-dimensional molecular-mediator time series data for artificial intelligence-based disease trajectory forecasting and drug development digital twins: Considerations [0.0]
  合成データの利用は、ニューラルネットワークベースの人工知能(AI)システムの開発における重要なステップとして認識されている。 このタイプの合成データを生成する統計的およびデータ中心の機械学習手段の欠如は、要因の組み合わせによるものである。 多次元時系列データの特定因子を考慮に入れた合成データの生成は、仲介者・バイオマーカーに基づくAI予測システムの開発に欠かせない能力である。
  論文  参考訳（メタデータ） (2023-03-16T03:13:53Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
  網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。 提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。 ブタ前眼の精度と再現性について実験を行った。
  論文  参考訳（メタデータ） (2023-01-17T21:41:21Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Generative Enriched Sequential Learning (ESL) Approach for Molecular Design via Augmented Domain Knowledge [1.4410716345002657]
  生成機械学習技術は、分子指紋表現に基づく新しい化学構造を生成することができる。 教師付きドメイン知識の欠如は、学習手順がトレーニングデータに見られる一般的な分子に相対的に偏っていることを誤解させる可能性がある。 この欠点は、例えば薬物類似度スコア(QED)の定量的推定など、ドメイン知識でトレーニングデータを増強することで軽減した。
  論文  参考訳（メタデータ） (2022-04-05T20:16:11Z)
• Molecule Generation from Input-Attributions over Graph Convolutional Networks [4.468952886990851]
  本稿では,グラフ畳み込みネットワークモデルと新しい分子を生成する入力帰属法を含む自動プロセスを提案する。 また、このような自動ツールの実用化において、過度な最適化と適用性の問題についても検討し、これらを2つの重要な側面として認識する。
  論文  参考訳（メタデータ） (2022-01-25T09:13:26Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• 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)
• 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)
• The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
  機能性分子の発見は高価で時間を要するプロセスである。 初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。 これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。 しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
  論文  参考訳（メタデータ） (2020-02-17T15:41:28Z)

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。