論文の概要: An In-depth Summary of Recent Artificial Intelligence Applications in Drug Design

• arxiv url: http://arxiv.org/abs/2110.05478v1
• Date: Sun, 10 Oct 2021 00:40:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-16 20:00:45.060569
• Title: An In-depth Summary of Recent Artificial Intelligence Applications in Drug Design
• Title（参考訳）: 医薬品設計における最近の人工知能応用の概要
• Authors: Yi Zhang
• Abstract要約: 2017年から2021年にかけて、薬物デザインにおける最近のAIモデルの応用の数は大幅に増加した。 このサーベイには、前述のAIモデルの理論的開発と、薬物設計におけるAIの最近の42の応用の詳細な要約が含まれている。
• 参考スコア（独自算出の注目度）: 5.365309795469097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As a promising tool to navigate in the vast chemical space, artificial intelligence (AI) is leveraged for drug design. From the year 2017 to 2021, the number of applications of several recent AI models (i.e. graph neural network (GNN), recurrent neural network (RNN), variation autoencoder (VAE), generative adversarial network (GAN), flow and reinforcement learning (RL)) in drug design increases significantly. Many relevant literature reviews exist. However, none of them provides an in-depth summary of many applications of the recent AI models in drug design. To complement the existing literature, this survey includes the theoretical development of the previously mentioned AI models and detailed summaries of 42 recent applications of AI in drug design. Concretely, 13 of them leverage GNN for molecular property prediction and 29 of them use RL and/or deep generative models for molecule generation and optimization. In most cases, the focus of the summary is the models, their variants, and modifications for specific tasks in drug design. Moreover, 60 additional applications of AI in molecule generation and optimization are briefly summarized in a table. Finally, this survey provides a holistic discussion of the abundant applications so that the tasks, potential solutions, and challenges in AI-based drug design become evident.
• Abstract（参考訳）: 膨大な化学領域をナビゲートするための有望なツールとして、人工知能(AI)が医薬品設計に活用されている。 2017年から2021年にかけて、薬物設計におけるいくつかの最近のAIモデル(グラフニューラルネットワーク(GNN)、リカレントニューラルネットワーク(RNN)、変動オートエンコーダ(VAE)、生成的敵ネットワーク(GAN)、フローと強化学習(RL))の応用が大幅に増加した。 関連文献が多数存在する。 しかしながら、薬品設計における最近のAIモデルの多くの応用について詳細な概要は、いずれも提供されていない。 既存の文献を補完するために、このサーベイは前述のAIモデルの理論的発展と、薬物設計におけるAIの最近の42の応用の詳細な要約を含む。 具体的には、13種は分子特性予測にGNNを使用し、29種は分子生成と最適化にRLおよび/または深部生成モデルを用いる。 ほとんどの場合、要約の焦点は、モデル、それらの変異、および薬物設計における特定のタスクの修正である。 さらに、分子生成と最適化における60のaiのさらなる応用を簡潔に表にまとめる。 最後に、この調査は、aiベースの薬物設計におけるタスク、潜在的な解決策、課題が明確になるように、豊富な応用に関する総合的な議論を提供する。

関連論文リスト

• Generative AI Agent for Next-Generation MIMO Design: Fundamentals, Challenges, and Vision [76.4345564864002]
  次世代の多重入力多重出力(MIMO)はインテリジェントでスケーラブルであることが期待される。 本稿では、カスタマイズされた特殊コンテンツを生成することができる生成型AIエージェントの概念を提案する。 本稿では、生成AIエージェントをパフォーマンス分析に活用することの有効性を示す2つの説得力のあるケーススタディを示す。
  論文  参考訳（メタデータ） (2024-04-13T02:39:36Z)
• 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)
• Neural scaling laws for phenotypic drug discovery [3.076170146656896]
  小型分子の薬物発見を支援するモデルに、スケールが同様の影響を与えるかどうかを考察する。 我々は、Pheno-CAのタスクを明示的に教師するDNNが、データとモデルサイズがスケールアップされるにつれて、継続的に改善されないことを発見した。 我々は,NLPで成功した因果的目的関数に類似した新しい前駆的タスクである逆生物学プロセス(Inverse Biological Process, IBP)を導入する。
  論文  参考訳（メタデータ） (2023-09-28T18:10:43Z)
• 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)
• 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)
• A Survey on Non-Autoregressive Generation for Neural Machine Translation and Beyond [145.43029264191543]
  非自己回帰(NAR)生成は推論を高速化するために機械翻訳(NMT)で最初に提案される。 NAR生成は機械翻訳を著しく加速させるが、自己回帰(AR)生成の推論は翻訳精度を犠牲にする。 NAR生成とAR生成の精度ギャップを埋めるために、多くの新しいモデルとアルゴリズムが設計/提案されている。
  論文  参考訳（メタデータ） (2022-04-20T07:25:22Z)
• Deep Denerative Models for Drug Design and Response [0.0]
  深部生成モデリングの最近の成功は、新しい分子の生成と最適化の可能性を秘めている。 本稿では, 化学・生物データベース, 生成モデリングツールについて紹介する。
  論文  参考訳（メタデータ） (2021-09-14T06:33:56Z)
• Artificial Intelligence in Drug Discovery: Applications and Techniques [33.59138543942538]
  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。
  論文  参考訳（メタデータ） (2021-06-09T20:46:44Z)
• Artificial Intelligence based Autonomous Molecular Design for Medical Therapeutic: A Perspective [9.371378627575883]
  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。
  論文  参考訳（メタデータ） (2021-02-10T00:43:46Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
  NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。 詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。 本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
  論文  参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。