Fugu-MT 論文翻訳(概要): Artificial Intelligence in Drug Discovery:Applications and Techniques

論文の概要: Artificial Intelligence in Drug Discovery:Applications and Techniques

arxiv url: http://arxiv.org/abs/2106.05386v1
Date: Wed, 9 Jun 2021 20:46:44 GMT
ステータス: 処理完了
システム内更新日: 2021-06-11 14:38:11.209408
Title: Artificial Intelligence in Drug Discovery:Applications and Techniques
Title（参考訳）: 薬物発見における人工知能の応用と技術
Authors: Jianyuan Deng, Zhibo Yang, Dimitris Samaras, Fusheng Wang
Abstract要約: 我々は、薬物発見におけるAIの大きな応用を示し、関連するAI技術について議論し、AI駆動型薬物発見の最近の進歩について述べる。私たちは、この人工知能と薬物発見の交差する領域で働く研究者のためのガイドとして、この視点が役立つことを期待しています。
参考スコア（独自算出の注目度）: 33.59138543942538
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Artificial intelligence has transformed the practice of drug discovery in the past decade. Various artificial intelligence techniques have been used in a wide range of applications. In this perspective, we present major applications of AI in drug discovery and discuss the relevant AI techniques, covering most recent progress in AI-driven drug discovery. We expect that the perspective will serve as a guide for researchers who are interested in working at this intersected area of artificial intelligence and drug discovery. We also provide a GitHub repository summarizing the surveyed papers as a learning resource, which will be regularly updated.
Abstract（参考訳）: 人工知能は過去10年間、薬物発見の実践を変えてきた。様々な人工知能技術が幅広い用途に使われている。この観点から、我々は、薬物発見におけるAIの大きな応用を示し、関連するAI技術について議論し、AIによる薬物発見の最近の進歩について述べる。この視点は、人工知能と薬物発見の分野で働くことに興味がある研究者のガイドになることを期待している。また、調査対象の論文を学習リソースとして要約したgithubリポジトリも提供しています。

関連論文リスト

A Comprehensive Guide to Enhancing Antibiotic Discovery Using Machine Learning Derived Bio-computation [0.7739316058960921]
薬物発見プロセスの合理化と高速化に使用できる、さまざまなAIおよびMLツールの概要を提供する。我々は、高品質なデータの不足を含む、AIベースの薬物発見と開発における制限に対処する。我々は,AIとMLが新たな抗生物質の発見を迅速化して,世界的な抗菌抵抗性問題に対処する方法について論じる。
論文参考訳（メタデータ） (2024-11-08T23:04:42Z)
O1 Replication Journey: A Strategic Progress Report -- Part 1 [52.062216849476776]
本稿では,O1 Replication Journeyに具体化された人工知能研究の先駆的アプローチを紹介する。我々の方法論は、長期化したチームベースのプロジェクトの不規則性を含む、現代のAI研究における重要な課題に対処する。本稿では,モデルにショートカットだけでなく,完全な探索プロセスの学習を促す旅行学習パラダイムを提案する。
論文参考訳（メタデータ） (2024-10-08T15:13:01Z)
A Survey of Generative AI for de novo Drug Design: New Frontiers in Molecule and Protein Generation [8.9311469963107]
デ・ノボの医薬品設計のための生成モデルは、スクラッチから完全に新規な生物学的化合物の創出に焦点を当てている。この分野の急速な発展と創薬プロセスの複雑さが組み合わさって、新しい研究者が参入するのは難しい風景を生み出している。本調査では,ド・ノボの薬物設計を小分子とタンパク質生成という2つの大まかなテーマにまとめる。
論文参考訳（メタデータ） (2024-02-13T16:56:31Z)
AI-Generated Images as Data Source: The Dawn of Synthetic Era [61.879821573066216]
生成AIは、現実世界の写真によく似た合成画像を作成する可能性を解き放った。本稿では、これらのAI生成画像を新しいデータソースとして活用するという革新的な概念を探求する。実際のデータとは対照的に、AI生成データには、未整合のアブリダンスやスケーラビリティなど、大きなメリットがある。
論文参考訳（メタデータ） (2023-10-03T06:55:19Z)
Explainable Artificial Intelligence for Drug Discovery and Development -- A Comprehensive Survey [11.331107195122147]
薬物発見の分野は、人工知能(AI)と機械学習(ML)技術の出現とともに、顕著な変革を経験してきた。これらのAIとMLモデルはますます複雑になりつつあるため、モデルの透明性と解釈可能性の必要性が高まっている。 XAIはこの問題に対処し、機械学習モデルによる予測をより解釈可能な理解を提供する新しいアプローチである。
論文参考訳（メタデータ） (2023-09-21T15:36:06Z)
Neurosymbolic AI and its Taxonomy: a survey [48.7576911714538]
ニューロシンボリックAIは、古典的なAIやニューラルネットワークのようなシンボリック処理を組み合わせたモデルを扱う。本研究は近年,本分野の研究論文を調査し,提案モデルと応用モデルとの分類と比較を行った。
論文参考訳（メタデータ） (2023-05-12T19:51:13Z)
Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文参考訳（メタデータ） (2023-02-16T12:38:01Z)
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)
TorchDrug: A Powerful and Flexible Machine Learning Platform for Drug Discovery [32.695233909773975]
TorchDrugは、PyTorch上に構築されたドラッグ発見のための強力で柔軟な機械学習プラットフォームである。 TorchDrugは、分子特性予測、事前訓練された分子表現、de novo分子設計と最適化、再合成予測、バイオメディカル知識グラフ推論など、薬物発見における様々な重要なタスクをベンチマークしている。
論文参考訳（メタデータ） (2022-02-16T20:24:02Z)
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)

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。