論文の概要: Modelling and optimization of nanovector synthesis for applications in drug delivery systems

• arxiv url: http://arxiv.org/abs/2112.02002v1
• Date: Wed, 10 Nov 2021 20:52:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-12 15:43:29.401687
• Title: Modelling and optimization of nanovector synthesis for applications in drug delivery systems
• Title（参考訳）: ドラッグデリバリーシステムにおけるナノベクトル合成のモデル化と最適化
• Authors: Felipe J. Villase\~nor-Cavazos, Daniel Torres-Valladares and Omar Lozano
• Abstract要約: レビューでは、薬物デリバリーシステムにおけるナノ粒子合成のための人工知能とメタヒューリスティックアルゴリズムの使用に焦点を当てている。 ニューラルネットワークは線形回帰アルゴリズムや応答面法よりもNVs特性のモデル化が優れている。 メタヒューリスティックアルゴリズムでは、ベンチマーク関数はカッコウ探索、ホタルアルゴリズム、遺伝的アルゴリズム、共生生物探索に最適化された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nanovectors (NVs), based on nanostructured matter such as nanoparticles (NPs), have proven to perform as excellent drug delivery systems. However, due to the great variety of potential NVs, including NPs materials and their functionalization, in addition to the plethora of molecules that could transport, this fields presents a great challenge in terms of resources to find NVs with the most optimal physicochemical properties such as particle size and drug loading, where most of efforts rely on trial and error experimentation. In this regard, Artificial intelligence (AI) and metaheuristic algorithms offer efficient of the state-of-the-art modelling and optimization, respectively. This review focuses, through a systematic search, on the use of artificial intelligence and metaheuristic algorithms for nanoparticle synthesis in drug delivery systems. The main findings are: neural networks are better at modelling NVs properties than linear regression algorithms and response surface methodology, there is a very limited number of studies comparing AI or metaheuristic algorithm, and there is no information regarding the appropriateness of calculations of the sample size. Based on these findings, multilayer perceptron artificial neural network and adaptive neuro fuzzy inference system were tested for their modelling performance with a NV dataset; finding the latter the better algorithm. For metaheuristic algorithms, benchmark functions were optimized with cuckoo search, firefly algorithm, genetic algorithm and symbiotic organism search; finding cuckoo search and symbiotic organism search with the best performance. Finally, methods to estimate appropriate sample size for AI algorithms are discussed.
• Abstract（参考訳）: ナノ粒子(NP)のようなナノ構造物質に基づくナノベクター(NV)は、優れた薬物デリバリーシステムとして機能することが証明されている。 しかしながら、NPs物質やその機能化を含む潜在的なNVの多様さに加えて、輸送可能な分子の多量化により、この分野は、試行錯誤実験に大きく依存する粒子サイズや薬物の負荷といった最も最適な物理化学的性質を持つNVを見つけるための資源の面で大きな課題となる。 この点において、人工知能(AI)とメタヒューリスティックアルゴリズムは、それぞれ最先端のモデリングと最適化の効率化を提供する。 本稿では, 薬物デリバリーシステムにおけるナノ粒子合成における人工知能とメタヒューリスティックアルゴリズムの利用について, 体系的な探索を通じて考察する。 ニューラルネットワークは線形回帰アルゴリズムや応答表面法よりもNVs特性のモデル化に優れており、AIやメタヒューリスティックアルゴリズムと比較する研究は極めて限られており、サンプルサイズの計算の適切性については情報がない。 これらの結果から,NVデータセットを用いて,多層パーセプトロン人工ニューラルネットワークと適応型神経ファジィ推論システムを用いてモデリング性能を検証した。 メタヒューリスティックなアルゴリズムでは、ベンチマーク関数はcuckoo search、firefly algorithm、geneic algorithm、symbiotic organisms searchで最適化され、cuckoo searchとsymbiotic organisms searchが最良の性能で検索された。 最後に,AIアルゴリズムの適切なサンプルサイズを推定する方法について述べる。

関連論文リスト

• Discovering Physics-Informed Neural Networks Model for Solving Partial Differential Equations through Evolutionary Computation [5.8407437499182935]
  本稿では,より高い近似精度と高速収束率を持つPINNモデルの探索を目的とした進化的計算手法を提案する。 実験では、ベイズ最適化、ランダム探索、進化を通じて探索される異なるモデルの性能を比較して、クライン=ゴルドン方程式、バーガー方程式、ラム方程式を解く。
  論文  参考訳（メタデータ） (2024-05-18T07:32:02Z)
• Differentiable Visual Computing for Inverse Problems and Machine Learning [27.45555082573493]
  ビジュアルコンピューティング手法は、幾何学を解析し、固体、流体、その他の媒体を物理的にシミュレートし、光学技術で世界をレンダリングするために用いられる。 ディープラーニング(DL)は、一般的なアルゴリズムモデルの構築を可能にする。 DLは高度にパラメータ化されたニューラルネットワークアーキテクチャ -- ユニバーサル関数近似器 -- と勾配に基づく検索アルゴリズムによって実現されている。
  論文  参考訳（メタデータ） (2023-11-21T23:02:58Z)
• An automatic selection of optimal recurrent neural network architecture for processes dynamics modelling purposes [0.0]
  この研究には、ニューラルネットワークアーキテクチャ検索専用のアルゴリズムの提案が4つ含まれている。 アルゴリズムは進化的アルゴリズムや勾配降下法のようなよく知られた最適化手法に基づいている。 この研究は、加圧水型原子炉で発生した高速過程の数学的モデルから生成されたデータに基づく、拡張された検証研究を含む。
  論文  参考訳（メタデータ） (2023-09-25T11:06:35Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• HOAX: A Hyperparameter Optimization Algorithm Explorer for Neural Networks [0.0]
  光誘起過程を研究するための軌道に基づく手法のボトルネックは、今でも膨大な数の電子構造計算である。 本稿では,人工知能の領域から借用した機械学習アルゴリズムと手法を用いることにより,電子構造計算の量を劇的に削減する革新的なソリューションを提案する。
  論文  参考訳（メタデータ） (2023-02-01T11:12:35Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Auto-PINN: Understanding and Optimizing Physics-Informed Neural Architecture [77.59766598165551]
  物理インフォームドニューラルネットワーク(PINN)は、ディープラーニングのパワーを科学計算にもたらし、科学と工学の実践に革命をもたらしている。 本稿では,ニューラル・アーキテクチャ・サーチ(NAS)手法をPINN設計に適用したAuto-PINNを提案する。 標準PDEベンチマークを用いた包括的事前実験により、PINNの構造と性能の関係を探索することができる。
  論文  参考訳（メタデータ） (2022-05-27T03:24:31Z)
• Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
  本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。 性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
  論文  参考訳（メタデータ） (2022-05-03T07:54:56Z)
• Acceleration techniques for optimization over trained neural network ensembles [1.0323063834827415]
  本研究では, 線形単位活性化の補正されたフィードフォワードニューラルネットワークを用いて, 目的関数をモデル化する最適化問題について検討する。 本稿では,1つのニューラルネットワークを最適化するために,既存のBig-M$の定式化をベースとした混合整数線形プログラムを提案する。
  論文  参考訳（メタデータ） (2021-12-13T20:50:54Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。