論文の概要: Exploration of Dark Chemical Genomics Space via Portal Learning: Applied to Targeting the Undruggable Genome and COVID-19 Anti-Infective Polypharmacology

• arxiv url: http://arxiv.org/abs/2111.14283v1
• Date: Tue, 23 Nov 2021 19:23:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-06 01:47:14.928010
• Title: Exploration of Dark Chemical Genomics Space via Portal Learning: Applied to Targeting the Undruggable Genome and COVID-19 Anti-Infective Polypharmacology
• Title（参考訳）: ポータルラーニングによるダークケミカルゲノミクス空間の探索 : 難治性ゲノムとcovid-19感染性多剤学をターゲットとした研究
• Authors: Tian Cai, Li Xie, Muge Chen, Yang Liu, Di He, Shuo Zhang, Cameron Mura, Philip E. Bourne and Lei Xie
• Abstract要約: 我々は,ダークケミカルおよび生物学的空間を探索するために,textitPortal Learningと呼ばれる新しいディープラーニングフレームワークを開発した。 Portal Learningは、ゲノム規模で化学とタンパク質の相互作用を予測する。
• 参考スコア（独自算出の注目度）: 28.633036496512442
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advances in biomedicine are largely fueled by exploring uncharted territories of human biology. Machine learning can both enable and accelerate discovery, but faces a fundamental hurdle when applied to unseen data with distributions that differ from previously observed ones -- a common dilemma in scientific inquiry. We have developed a new deep learning framework, called {\textit{Portal Learning}}, to explore dark chemical and biological space. Three key, novel components of our approach include: (i) end-to-end, step-wise transfer learning, in recognition of biology's sequence-structure-function paradigm, (ii) out-of-cluster meta-learning, and (iii) stress model selection. Portal Learning provides a practical solution to the out-of-distribution (OOD) problem in statistical machine learning. Here, we have implemented Portal Learning to predict chemical-protein interactions on a genome-wide scale. Systematic studies demonstrate that Portal Learning can effectively assign ligands to unexplored gene families (unknown functions), versus existing state-of-the-art methods, thereby allowing us to target previously "undruggable" proteins and design novel polypharmacological agents for disrupting interactions between SARS-CoV-2 and human proteins. Portal Learning is general-purpose and can be further applied to other areas of scientific inquiry.
• Abstract（参考訳）: バイオメディシンの進歩は、主にヒトの生物学の未開領域を探索することで加速される。 機械学習は、発見を可能にし、加速することができるが、以前観測されたものと異なる分布を持つデータを発見しない場合、基本的なハードルに直面する。 我々は,ダークケミカルと生物学的空間を探索するための新しい深層学習フレームワーク {\textit{portal learning}} を開発した。 私たちのアプローチの3つの鍵となる新しい要素は (i)生物のシークエンス・構造・機能パラダイムの認識におけるエンドツーエンド・ステップ・ワイズ・トランスファー・ラーニング (ii)クラスタ外メタラーニング、及び (iii)ストレスモデルの選択。 portal learningは、統計機械学習におけるout-of-distribution (ood)問題に対する実用的なソリューションを提供する。 ここでは,ゲノム規模で化学タンパク質相互作用を予測するポータルラーニングを実装した。 体系的な研究により、ポータルラーニングは、未探索の遺伝子ファミリー(未知の機能)にリガンドを効果的に割り当てることができることが示され、これにより、それまでの「不可能」なタンパク質を標的とし、sars-cov-2とヒトタンパク質の相互作用を阻害する新しい多剤を設計できる。 ポータル学習は汎用的であり、科学調査の他の分野にも応用できる。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Understanding Biology in the Age of Artificial Intelligence [4.299566787216408]
  現代生命科学の研究は、生物システムをモデル化するための人工知能のアプローチにますます依存している。 機械学習(ML)モデルは、大規模で複雑なデータセットのパターンを特定するのに有用であるが、生物学におけるその広範な応用は、従来の科学的調査方法から大きく逸脱している。 ここでは,生物現象をモデル化し,科学的知識を進化させるために,MLシステムの設計と応用を導く一般的な原理を同定する。
  論文  参考訳（メタデータ） (2024-03-06T23:20:34Z)
• A Review of Neuroscience-Inspired Machine Learning [58.72729525961739]
  バイオプルーシブル・クレジット・アサインメントは、事実上あらゆる学習条件と互換性があり、エネルギー効率が高い。 本稿では,人工ニューラルネットワークにおける信用代入の生体評価可能なルールをモデル化する,いくつかの重要なアルゴリズムについて検討する。 我々は,このようなアルゴリズムを実用アプリケーションでより有用にするためには,今後の課題に対処する必要があることを論じる。
  論文  参考訳（メタデータ） (2024-02-16T18:05:09Z)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• 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)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• CoSP: Co-supervised pretraining of pocket and ligand [38.42917984016527]
  本研究では,3Dポケットとリガンド表現を同時に学習するための協調教師付き事前学習(CoSP)フレームワークを提案する。 我々は幾何学的メッセージパッシング層を用いて3Dポケットとゲートの両方をモデル化し、各ノードの化学的特徴を考察する。 生物学的な意味のある埋め込みを学習するために、コントラスト的損失により、ポケットリガンド相互作用の知識を事前学習モデルに注入する。 分子の特異性を考慮し, 対照的な学習性能を向上させるために, 化学類似性に富む負のサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2022-06-23T16:58:44Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。