論文の概要: A molecular generative model with genetic algorithm and tree search for cancer samples

• arxiv url: http://arxiv.org/abs/2112.08959v1
• Date: Thu, 16 Dec 2021 15:22:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:19:01.355389
• Title: A molecular generative model with genetic algorithm and tree search for cancer samples
• Title（参考訳）: 遺伝的アルゴリズムを用いた分子生成モデルと癌サンプルの探索
• Authors: Sejin Park and Hyunju Lee
• Abstract要約: 遺伝的アルゴリズムを用いたより高速な分子生成モデルとがんサンプル探索(FasterGTS)を提案する。 FasterGTSは遺伝的アルゴリズムとモンテカルロ木を3つのディープニューラルネットワークで探索することで構築されている。 がんサンプルの遺伝子プロファイルに基づいて抗がん分子を生成する。
• 参考スコア（独自算出の注目度）: 0.685316573653194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized medicine is expected to maximize the intended drug effects and minimize side effects by treating patients based on their genetic profiles. Thus, it is important to generate drugs based on the genetic profiles of diseases, especially in anticancer drug discovery. However, this is challenging because the vast chemical space and variations in cancer properties require a huge time resource to search for proper molecules. Therefore, an efficient and fast search method considering genetic profiles is required for de novo molecular design of anticancer drugs. Here, we propose a faster molecular generative model with genetic algorithm and tree search for cancer samples (FasterGTS). FasterGTS is constructed with a genetic algorithm and a Monte Carlo tree search with three deep neural networks: supervised learning, self-trained, and value networks, and it generates anticancer molecules based on the genetic profiles of a cancer sample. When compared to other methods, FasterGTS generated cancer sample-specific molecules with general chemical properties required for cancer drugs within the limited numbers of samplings. We expect that FasterGTS contributes to the anticancer drug generation.
• Abstract（参考訳）: パーソナライズドメディカルは、目的とする薬物効果を最大化し、遺伝子プロファイルに基づいて患者を治療することで副作用を最小限にすることが期待されている。 したがって、特に抗がん剤の発見において、疾患の遺伝的プロファイルに基づいて薬物を生成することが重要である。 しかし、これは大きな化学空間とがん特性の変化が適切な分子を探すのに膨大な時間を要するため、難しい。 したがって、抗がん剤のデノボ分子設計には、遺伝子プロファイルを考慮した効率的かつ迅速な探索法が必要である。 本稿では,遺伝的アルゴリズムを用いたより高速な分子生成モデルと,がんサンプルの探索(FasterGTS)を提案する。 FasterGTSは、遺伝的アルゴリズムとモンテカルロ木で構築され、3つの深いニューラルネットワーク(教師付き学習、自己学習、価値ネットワーク)で探索され、がんサンプルの遺伝的プロファイルに基づいて抗がん分子を生成する。 他の方法と比較すると、fastergtsは限定的なサンプリング数でがん薬に必要な一般的な化学的性質を持つがんサンプル特異的分子を産生した。 FasterGTSが抗がん剤の産生に寄与することを期待している。

関連論文リスト

• Genetic algorithms are strong baselines for molecule generation [3.0832873002777785]
  遺伝的アルゴリズム(GA)は既知の分子をランダムに修飾することで分子を生成する。 本稿では,GAはそのようなタスクに対して非常に強力なアルゴリズムであり,複雑な機械学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:25:11Z)
• Artificial intelligence based prediction on lung cancer risk factors using deep learning [0.0]
  早期の症状の捕捉と定義は、患者にとって最も難しい段階の1つである。 深層学習手法を用いて,肺がんを極めて高い精度で検出できるモデルを開発した。 その結果, 精度は94%, 最小損失は0.1%であった。
  論文  参考訳（メタデータ） (2023-04-11T08:57:15Z)
• Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging [59.79875531898648]
  DeepGliomaは人工知能に基づく診断スクリーニングシステムである。 ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
  論文  参考訳（メタデータ） (2023-03-23T18:50:18Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Machine Learning-based Lung and Colon Cancer Detection using Deep Feature Extraction and Ensemble Learning [0.9786690381850355]
  肺がんと大腸癌を効率よく同定するためのハイブリッドアンサンブル特徴抽出モデルを提案する。 深い特徴抽出とアンサンブル学習と、がん画像データセットのための高性能なフィルタリングを統合している。 本モデルでは, 99.05%, 100%, 99.30%の精度で, 肺癌, 大腸癌, 結腸癌を検出できる。
  論文  参考訳（メタデータ） (2022-06-02T15:14:41Z)
• Scalable privacy-preserving cancer type prediction with homomorphic encryption [10.414669681352423]
  複数種類のがんに対して200万以上の遺伝情報からなる実世界のデータセットを用いたがん検出のプライバシー保護の課題について検討する。 そこで我々は,まず体細胞突然変異のドメイン知識を活用して遺伝的変異を効率よくエンコードする,がん推定のためのプライバシ保護ソリューションを開発した。 本研究では,高次元データを効率的に処理できる高速行列乗算アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-12T03:08:17Z)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• Variational Autoencoder for Anti-Cancer Drug Response Prediction [0.6193838300896449]
  本モデルは癌細胞株および抗がん剤分子データの入力遺伝子発現データである。 多層パーセプトロンは、これらの符号化された特徴を処理し、最終的な予測を生成する。
  論文  参考訳（メタデータ） (2020-08-22T06:03:22Z)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。