論文の概要: Learning to Discover Medicines
- arxiv url: http://arxiv.org/abs/2202.07096v1
- Date: Mon, 14 Feb 2022 23:43:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 07:41:46.937528
- Title: Learning to Discover Medicines
- Title（参考訳）: 医学の発見を学ぶ
- Authors: Tri Minh Nguyen, Thin Nguyen, Truyen Tran
- Abstract要約: 強力なコンピューティング、大規模なバイオメディカルデータベース、そしてディープラーニングのブレークスルーによって、現代のAIが利用できることは、このループを壊そうとする新たな希望である。
本稿では,この課題を解決しようとするAI方法論の最近の進歩を概観する。
我々は、医薬品発見のためのAIの大規模かつ急速に成長する文献を、比較的安定した3つのサブエリアにまとめる。
- 参考スコア（独自算出の注目度）: 21.744555824342264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discovering new medicines is the hallmark of human endeavor to live a better
and longer life. Yet the pace of discovery has slowed down as we need to
venture into more wildly unexplored biomedical space to find one that matches
today's high standard. Modern AI-enabled by powerful computing, large
biomedical databases, and breakthroughs in deep learning-offers a new hope to
break this loop as AI is rapidly maturing, ready to make a huge impact in the
area. In this paper we review recent advances in AI methodologies that aim to
crack this challenge. We organize the vast and rapidly growing literature of AI
for drug discovery into three relatively stable sub-areas: (a) representation
learning over molecular sequences and geometric graphs; (b) data-driven
reasoning where we predict molecular properties and their binding, optimize
existing compounds, generate de novo molecules, and plan the synthesis of
target molecules; and (c) knowledge-based reasoning where we discuss the
construction and reasoning over biomedical knowledge graphs. We will also
identify open challenges and chart possible research directions for the years
to come.
- Abstract（参考訳）: 新しい薬の発見は、より良く長く生きるための人間の努力の要である。
しかし、発見のペースは鈍化しており、今日の高水準の生物医学分野に匹敵する分野を見つけるためには、より未発見の分野に参入する必要がある。
強力なコンピューティング、大規模なバイオメディカルデータベース、そしてディープラーニングのブレークスルーによって、現代のAIが利用できるようになると、AIは急速に成熟し、この分野に大きな影響を及ぼす準備が整っているため、このループを壊すことが期待されている。
本稿では,この課題を解決しようとするAI方法論の最近の進歩を概観する。
我々は、薬物発見のためのAIの広大かつ急速に成長する文献を、比較的安定した3つのサブアリーナにまとめる。
a) 分子配列及び幾何学グラフを用いた表現学習
b) 分子の性質とその結合を予測し、既存の化合物を最適化し、デノボ分子を生成し、標的分子の合成を計画するデータ駆動推論
(c)生物医学的知識グラフの構築と推論について論じる知識に基づく推論。
オープンな課題も特定し、今後数年間の研究方向性を図示します。
関連論文リスト
- Leveraging Biomolecule and Natural Language through Multi-Modal
Learning: A Survey [75.47055414002571]
生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。
生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
論文 参考訳（メタデータ） (2024-03-03T14:59:47Z) - Graph-Based Retriever Captures the Long Tail of Biomedical Knowledge [2.2814097119704058]
大規模言語モデル(LLM)は、膨大な知識を要約して提示することで、情報の検索方法を変えつつある。
LLMはトレーニングセットから最も頻繁に見られる情報を強調し、まれな情報を無視する傾向があります。
本稿では,これらのクラスタをダウンサンプリングし,情報過負荷問題を緩和するために知識グラフを活用する新しい情報検索手法を提案する。
論文 参考訳（メタデータ） (2024-02-19T18:31:11Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳（メタデータ） (2023-12-21T14:26:57Z) - 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) - 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 [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) - ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug
Discovery [79.08833067391093]
現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。
ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。
ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
論文 参考訳（メタデータ） (2022-09-16T13:35:57Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳（メタデータ） (2021-09-27T17:00:14Z) - Artificial Intelligence in Drug Discovery: Applications and Techniques [33.59138543942538]
仮想スクリーニングやドラッグデザインなど、さまざまなAI技術が幅広い用途で使用されている。
まず、薬物発見の概要を説明し、関連するアプリケーションについて議論し、2つの主要なタスクに還元することができる。
次に、一般的なデータリソース、分子表現、ベンチマークプラットフォームについて議論する。
論文 参考訳（メタデータ） (2021-06-09T20:46:44Z) - Generative chemistry: drug discovery with deep learning generative
models [0.0]
本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。
ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
論文 参考訳（メタデータ） (2020-08-20T14:38:21Z)
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。