論文の概要: TorchDrug: A Powerful and Flexible Machine Learning Platform for Drug Discovery

• arxiv url: http://arxiv.org/abs/2202.08320v1
• Date: Wed, 16 Feb 2022 20:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-18 15:15:05.857543
• Title: TorchDrug: A Powerful and Flexible Machine Learning Platform for Drug Discovery
• Title（参考訳）: TorchDrug: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
• Authors: Zhaocheng Zhu, Chence Shi, Zuobai Zhang, Shengchao Liu, Minghao Xu, Xinyu Yuan, Yangtian Zhang, Junkun Chen, Huiyu Cai, Jiarui Lu, Chang Ma, Runcheng Liu, Louis-Pascal Xhonneux, Meng Qu, Jian Tang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 32.695233909773975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has huge potential to revolutionize the field of drug discovery and is attracting increasing attention in recent years. However, lacking domain knowledge (e.g., which tasks to work on), standard benchmarks and data preprocessing pipelines are the main obstacles for machine learning researchers to work in this domain. To facilitate the progress of machine learning for drug discovery, we develop TorchDrug, a powerful and flexible machine learning platform for drug discovery built on top of PyTorch. TorchDrug benchmarks a variety of important tasks in drug discovery, including molecular property prediction, pretrained molecular representations, de novo molecular design and optimization, retrosynthsis prediction, and biomedical knowledge graph reasoning. State-of-the-art techniques based on geometric deep learning (or graph machine learning), deep generative models, reinforcement learning and knowledge graph reasoning are implemented for these tasks. TorchDrug features a hierarchical interface that facilitates customization from both novices and experts in this domain. Tutorials, benchmark results and documentation are available at https://torchdrug.ai. Code is released under Apache License 2.0.
• Abstract（参考訳）: 機械学習は、薬物発見の分野に革命をもたらす大きな可能性を秘めており、近年注目を集めている。 しかし、ドメイン知識の欠如(例えば、どのタスクに取り組むべきか)、標準ベンチマーク、データプリプロセッシングパイプラインがこのドメインで働く機械学習研究者にとって大きな障害となる。 薬物発見のための機械学習の進歩を促進するために,PyTorch上に構築された薬物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を開発した。 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、生医学知識グラフ推論など、薬物発見における重要なタスクをベンチマークする。 これらの課題に対して,幾何学的深層学習(グラフ機械学習),深層生成モデル,強化学習,知識グラフ推論に基づく最先端技術が実装されている。 TorchDrugは、初心者と専門家の両方からカスタマイズを容易にする階層的なインターフェースを備えている。 チュートリアル、ベンチマーク結果、ドキュメントはhttps://torchdrug.ai.com/で入手できる。 コードはApache License 2.0でリリースされている。

関連論文リスト

• Introduction to Machine Learning for Physicians: A Survival Guide for Data Deluge [9.152759278163954]
  現代の研究分野は、大規模な、しばしば構造化されていない、不安定なデータセットの収集と分析にますます依存している。 このデータルージュを活用できる機械学習や人工知能アプリケーションへの関心が高まっている。 この幅広い非技術的概要は、医学的および生物学的応用に特に焦点をあてた、機械学習への穏やかな紹介を提供する。
  論文  参考訳（メタデータ） (2022-12-23T13:08:59Z)
• Molecule Generation for Drug Design: a Graph Learning Perspective [49.8071944694075]
  機械学習、特にグラフ学習は、さまざまな分野にまたがるトランスフォーメーションの影響で認知度が高まっている。 そのような有望な応用の1つは分子設計と発見の領域、特に製薬業界における。 本調査では,分子設計における最先端手法,特に深度グラフ学習技術を取り入れたEmphde novo薬物設計について概観する。
  論文  参考訳（メタデータ） (2022-02-18T14:26:23Z)
• Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
  本稿では,グラフ機械学習の自動手法について論じる。 当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。 また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
  論文  参考訳（メタデータ） (2022-01-04T18:31:31Z)
• 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)
• Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
  機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。 ディープラーニングは、独自の機械学習のサブフィールドになっている。 生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
  論文  参考訳（メタデータ） (2021-05-29T21:02:44Z)
• A Review of Biomedical Datasets Relating to Drug Discovery: A Knowledge Graph Perspective [4.746544835197422]
  薬物発見分野に新しい技術を適用することに興味を持つ機械学習や知識グラフの実践者を支援することを目的としている。 様々な創薬中心の知識グラフの構築に適した情報を含む公開のプライマリデータソースを詳細に説明します。
  論文  参考訳（メタデータ） (2021-02-19T17:49:38Z)
• Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
  計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。 これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。 オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
  論文  参考訳（メタデータ） (2020-12-02T02:09:31Z)
• 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)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。