論文の概要: ChemicalX: A Deep Learning Library for Drug Pair Scoring

• arxiv url: http://arxiv.org/abs/2202.05240v1
• Date: Thu, 10 Feb 2022 18:49:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-11 15:10:19.144196
• Title: ChemicalX: A Deep Learning Library for Drug Pair Scoring
• Title（参考訳）: chemicalx: ドラッグペアスコアリングのためのディープラーニングライブラリ
• Authors: Benedek Rozemberczki, Charles Tapley Hoyt, Anna Gogleva, Piotr Grabowski, Klas Karis, Andrej Lamov, Andriy Nikolov, Sebastian Nilsson, Michael Ughetto, Yu Wang, Tyler Derr, Benjamin M Gyori
• Abstract要約: ChemicalXはPyTorchベースのディープラーニングライブラリで、薬物ペアスコアリングタスクを解決する。 ChemicalXは、大規模な薬物ペアデータセット上で機械学習モデルをトレーニングし、スコア付けするために使用できることを示す。
• 参考スコア（独自算出の注目度）: 9.560239177143764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we introduce ChemicalX, a PyTorch-based deep learning library designed for providing a range of state of the art models to solve the drug pair scoring task. The primary objective of the library is to make deep drug pair scoring models accessible to machine learning researchers and practitioners in a streamlined framework.The design of ChemicalX reuses existing high level model training utilities, geometric deep learning, and deep chemistry layers from the PyTorch ecosystem. Our system provides neural network layers, custom pair scoring architectures, data loaders, and batch iterators for end users. We showcase these features with example code snippets and case studies to highlight the characteristics of ChemicalX. A range of experiments on real world drug-drug interaction, polypharmacy side effect, and combination synergy prediction tasks demonstrate that the models available in ChemicalX are effective at solving the pair scoring task. Finally, we show that ChemicalX could be used to train and score machine learning models on large drug pair datasets with hundreds of thousands of compounds on commodity hardware.
• Abstract（参考訳）: 本稿では,PyTorchをベースとした深層学習ライブラリであるChemicalXを紹介する。 このライブラリの主な目的は、既存のハイレベルモデルトレーニングユーティリティ、幾何学的ディープラーニング、pytorchエコシステムからのディープケミカルレイヤを再利用し、機械学習の研究者や実践者にとって、ディープドラッグペアスコアリングモデルを合理的なフレームワークでアクセスできるようにすることである。 本システムでは,ニューラルネットワークレイヤ,カスタムペアスコアリングアーキテクチャ,データローダ,バッチイテレータをエンドユーザに提供する。 我々はこれらの特徴をサンプルコードスニペットとケーススタディで紹介し、ChemicalXの特徴を強調した。 実世界の薬物・薬物相互作用、多剤副作用、組合せ相乗効果予測タスクに関する実験は、ケミカルXで利用可能なモデルがペアスコアリングタスクの解決に有効であることを示す。 最後に,商品ハードウェア上で数十万の化合物を含む大規模薬物ペアデータセット上で,機械学習モデルをトレーニングし,スコア付けするために chemicalx が使用できることを示した。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• Benchmark on Drug Target Interaction Modeling from a Structure Perspective [48.60648369785105]
  薬物と標的の相互作用の予測は、薬物の発見と設計に不可欠である。 グラフニューラルネットワーク(GNN)やトランスフォーマーに基づく最近の手法は、さまざまなデータセットで例外的なパフォーマンスを示している。 我々は,GNNベースと暗黙的(トランスフォーマーベース)構造学習アルゴリズムを多用することにより,構造の観点からの薬物-標的相互作用モデリングの総合的な調査とベンチマークを行う。
  論文  参考訳（メタデータ） (2024-07-04T16:56:59Z)
• Structure to Property: Chemical Element Embeddings and a Deep Learning Approach for Accurate Prediction of Chemical Properties [0.0]
  化学分類タスクのためのelEmBERTモデルを提案する。 これは多層エンコーダアーキテクチャのようなディープラーニング技術に基づいている。 我々は, 有機, 無機, 結晶化合物の集合に対して, アプローチがもたらす機会を実証する。
  論文  参考訳（メタデータ） (2023-09-17T19:41:32Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• 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)
• An efficient graph generative model for navigating ultra-large combinatorial synthesis libraries [1.5495593104596397]
  仮想的でオンデマンドな化学ライブラリーは、化学空間の広大な合成可能な領域をアンロックすることで、早期の薬物発見を変革した。 近年、これらの図書館は数百万から数兆の化合物から急速に成長し、様々な治療標的に対する、発見されていない強力なヒットを隠蔽している。 本稿では,これらの課題を克服するために, Combinatorial Synthesis Library Variational Auto-Encoder (CSLVAE)を提案する。
  論文  参考訳（メタデータ） (2022-10-19T15:43:13Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• A workflow for segmenting soil and plant X-ray CT images with deep learning in Googles Colaboratory [45.99558884106628]
  我々はX線マイクロCT画像に畳み込みニューラルネットワークを適用するためのモジュラーワークフローを開発した。 クルミの葉, アーモンドの花芽, 土壌集合体のサンプルスキャンを用いて, 最適な結果を得るために, パラメータを最適化する方法を示す。
  論文  参考訳（メタデータ） (2022-03-18T00:47:32Z)
• TorchDrug: A Powerful and Flexible Machine Learning Platform for Drug Discovery [32.695233909773975]
  TorchDrugは、PyTorch上に構築されたドラッグ発見のための強力で柔軟な機械学習プラットフォームである。 TorchDrugは、分子特性予測、事前訓練された分子表現、de novo分子設計と最適化、再合成予測、バイオメディカル知識グラフ推論など、薬物発見における様々な重要なタスクをベンチマークしている。
  論文  参考訳（メタデータ） (2022-02-16T20:24:02Z)
• Pharmacoprint -- a combination of pharmacophore fingerprint and artificial intelligence as a tool for computer-aided drug design [6.053347262128918]
  我々はPharmacoprintと呼ばれる高分解能の医薬品用指紋を提案する。 分子の存在、型、および分子の薬理泳動の特徴の間の関係をコードする。
  論文  参考訳（メタデータ） (2021-10-04T11:36:39Z)
• A backend-agnostic, quantum-classical framework for simulations of chemistry in C++ [62.997667081978825]
  本稿では,量子古典ソフトウェアをプロトタイピング,開発,デプロイするためのプラットフォームとして,XACCシステムレベルの量子コンピューティングフレームワークを提案する。 現在XACCで実装されている最先端の化学アルゴリズムのいくつかを示す一連の例を示す。
  論文  参考訳（メタデータ） (2021-05-04T16:53:51Z)

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。