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

• arxiv url: http://arxiv.org/abs/2106.05386v2
• Date: Fri, 11 Jun 2021 00:57:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:39:54.866688
• Title: Artificial Intelligence in Drug Discovery: Applications and Techniques
• Title（参考訳）: 創薬における人工知能:応用と技術
• Authors: Jianyuan Deng, Zhibo Yang, Dimitris Samaras, Fusheng Wang
• Abstract要約: 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。
• 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 (AI) has been transforming the practice of drug discovery in the past decade. Various AI techniques have been used in a wide range of applications, such as virtual screening and drug design. In this perspective, we first give an overview on drug discovery and discuss related applications, which can be reduced to two major tasks, i.e., molecular property prediction and molecule generation. We then discuss common data resources, molecule representations and benchmark platforms. Furthermore, to summarize the progress in AI-driven drug discovery, we present the relevant AI techniques including model architectures and learning paradigms in the surveyed papers. 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\footnote{\url{https://github.com/dengjianyuan/Survey_AI_Drug_Discovery}} with the collection of papers and codes, if applicable, as a learning resource, which will be regularly updated.
• Abstract（参考訳）: 人工知能(AI)は過去10年間、薬物発見の実践を変えてきた。 さまざまなai技術が、仮想スクリーニングや薬物設計など、幅広いアプリケーションで使用されている。 本論ではまず,創薬に関する概観を述べるとともに,分子特性予測と分子生成という2つの主要な課題に還元可能な関連する応用について論じる。 次に、共通データリソース、分子表現、ベンチマークプラットフォームについて論じる。 さらに、AIによる薬物発見の進展を要約するために、モデルアーキテクチャや学習パラダイムを含む関連するAI技術について、調査論文で紹介する。 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。 GitHubリポジトリ\footnote{\url{https://github.com/dengjianyuan/Survey_AI_Drug_Discovery}} 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。

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。