論文の概要: Reinforcement Learning for Personalized Drug Discovery and Design for
Complex Diseases: A Systems Pharmacology Perspective
- arxiv url: http://arxiv.org/abs/2201.08894v1
- Date: Fri, 21 Jan 2022 21:29:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 17:14:51.229948
- Title: Reinforcement Learning for Personalized Drug Discovery and Design for
Complex Diseases: A Systems Pharmacology Perspective
- Title(参考訳): パーソナライズドドラッグ発見のための強化学習と複雑疾患 : システム薬理学の視点から
- Authors: Ryan K. Tan, Yang Liu, Lei Xie
- Abstract要約: システム薬理学指向の薬物発見・設計における強化学習の可能性について概説する。
強化学習の一般化性と伝達性を高めるために,新しい強化学習技術が必要である。
- 参考スコア(独自算出の注目度): 13.103056213998213
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many multi-genic systematic diseases such as Alzheimer's disease and majority
of cancers do not have effective treatments yet. Systems pharmacology is a
potentially effective approach to designing personalized therapies for
untreatable complexed diseases. In this article, we review the potential of
reinforcement learning in systems pharmacology-oriented drug discovery and
design. In spite of successful application of advanced reinforcement learning
techniques to target-based drug discovery, new reinforcement learning
techniques are needed to boost generalizability and transferability of
reinforcement learning in partially observed and changing environments,
optimize multi-objective reward functions for system-level molecular phenotype
readouts and generalize predictive models for out-of-distribution data. A
synergistic integration of reinforcement learning with other machine learning
techniques and related fields such as biophysics and quantum computing is
needed to achieve the ultimate goal of systems pharmacology-oriented de novo
drug design for personalized medicine.
- Abstract(参考訳): アルツハイマー病やがんなどの多系統性疾患の多くは、まだ有効な治療を受けていない。
システム薬理学は、治療不能な複雑疾患に対するパーソナライズされた治療を設計するための潜在的に効果的なアプローチである。
本稿では,システム薬理学指向の薬物発見・設計における強化学習の可能性について概説する。
ターゲットに基づく薬物発見に高度な強化学習技術がうまく応用されているにもかかわらず、部分的に観察・変化する環境下での強化学習の一般化性と伝達性を高め、システムレベルの分子型読み出しのための多目的報酬関数を最適化し、分布外データの予測モデルを一般化するために、新しい強化学習技術が必要である。
強化学習と他の機械学習技術、生体物理学や量子コンピューティングといった関連分野との相乗的統合は、パーソナライズ医療のための薬理学指向のデ・ノボ薬品設計の究極の目標を達成するために必要である。
関連論文リスト
- Incorporating Neuro-Inspired Adaptability for Continual Learning in
Artificial Intelligence [59.11038175596807]
継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。
既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。
本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
論文 参考訳(メタデータ) (2023-08-29T02:43:58Z) - SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction
and Drug Design [64.69434941796904]
本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。
特定のがん細胞標的の文脈における10~20の薬物相乗関係の「個人化データセット」を作成した。
私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
論文 参考訳(メタデータ) (2023-06-19T17:03:46Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - Towards Unified AI Drug Discovery with Multiple Knowledge Modalities [5.232382666884214]
我々は,統合型,エンドツーエンド,マルチモーダルなディープラーニングフレームワークであるKEDDを提案する。
膨大なAI薬物発見タスクに対して、構造化知識と非構造化知識の両方を最適に組み込む。
我々のフレームワークは分子の深い理解を実現し、最先端の手法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2023-04-17T13:15:16Z) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey
from Precision to Interpretability [5.31117862338528]
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) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。
本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
論文 参考訳(メタデータ) (2022-02-08T09:42:08Z) - Machine Learning and Deep Learning Methods for Building Intelligent
Systems in Medicine and Drug Discovery: A Comprehensive Survey [0.0]
Artificail Intelligenceベースのフレームワークは、医療業界に急速に革命をもたらしている。
これらのインテリジェントシステムは、機械学習とディープラーニングに基づく、疾患の早期診断のための堅牢なモデルで構築されている。
本稿では,16の専門分野にわたる機械学習と深層学習の応用に関する調査に焦点をあてる。
論文 参考訳(メタデータ) (2021-07-19T14:26:03Z) - Representation Learning for Networks in Biology and Medicine:
Advancements, Challenges, and Opportunities [18.434430658837258]
我々は,ネットワークを用いたモデリング,分析,学習への表現学習技術の急速な拡大を目の当たりにした。
本論では,ネットワーク生物学と医学の長年の原則が,表現学習の概念的基盤を提供できるという見解を述べる。
位相的特徴を利用してネットワークをコンパクトなベクトル空間に埋め込むアルゴリズムアプローチのスペクトルを合成する。
論文 参考訳(メタデータ) (2021-04-11T00:20:00Z) - 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) - Network-principled deep generative models for designing drug
combinations as graph sets [13.920460847160605]
併用療法は副作用を軽減しつつ治療効果を向上させることが示されている。
膨大な化学空間と小さな分子の組み合わせのための不明確な設計原則に直面すると、計算薬物結合設計は、耐性に反する薬物結合の発見を加速する可能性を満たす生成モデルを見ていない。
我々は,グラフ構造化ドメイン知識を結合的に埋め込み,強化学習に基づくケミカルグラフセットデザイナを反復的に訓練することにより,薬物の組み合わせ設計のための最初の深層生成モデルを開発した。
論文 参考訳(メタデータ) (2020-04-16T17:22:39Z)
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。