論文の概要: Autonomous Drug Design with Multi-armed Bandits

• arxiv url: http://arxiv.org/abs/2207.01393v1
• Date: Mon, 4 Jul 2022 13:21:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-05 21:38:18.266123
• Title: Autonomous Drug Design with Multi-armed Bandits
• Title（参考訳）: マルチアームバンドを用いた自律薬物設計
• Authors: Hampus Gummesson Svensson, Esben Bjerrum, Christian Tyrchan, Ola Engkvist and Morteza Haghir Chehreghani
• Abstract要約: 人工知能と自動化の最近の進歩は、新しいドラッグデザインパラダイム、すなわち自律的なドラッグデザインを可能にする可能性がある。 このパラダイムの下では、生成モデルは特定の性質を持つ何千もの分子について提案する。 我々は,このタスクを,複数のプレイと揮発性アームを備えたコンテキスト的マルチアームバンディット問題として定式化する。 我々は, ランダムサンプリング, グリーディ選択, 崩壊-エプシロン-グリーディ選択と比較した。
• 参考スコア（独自算出の注目度）: 3.3598755777055374
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent developments in artificial intelligence and automation could potentially enable a new drug design paradigm: autonomous drug design. Under this paradigm, generative models provide suggestions on thousands of molecules with specific properties. However, since only a limited number of molecules can be synthesized and tested, an obvious challenge is how to efficiently select these. We formulate this task as a contextual stochastic multi-armed bandit problem with multiple plays and volatile arms. Then, to solve it, we extend previous work on multi-armed bandits to reflect this setting, and compare our solution with random sampling, greedy selection and decaying-epsilon-greedy selection. To investigate how the different selection strategies affect the cumulative reward and the diversity of the selections, we simulate the drug design process. According to the simulation results, our approach has the potential for better exploring and exploiting the chemical space for autonomous drug design.
• Abstract（参考訳）: 最近の人工知能とオートメーションの発展は、新しい薬物設計パラダイムである自律的な薬物設計を可能にする可能性がある。 このパラダイムの下では、生成モデルは特定の性質を持つ何千もの分子に提案を提供する。 しかし、限られた数の分子しか合成・テストできないため、効果的に選択する方法が明らかな課題である。 我々は,このタスクを,複数のプレイと揮発性アームを用いたコンテキスト確率的マルチアームバンディット問題として定式化する。 そこで,本稿では,この設定を反映するために,従来のマルチアームバンディットの研究を拡張し,ランダムサンプリング,グリーディ選択,崩壊・エプシロン-グリーディ選択と比較する。 選択戦略の違いが累積報酬と選択の多様性にどのように影響するかを調べるため,薬物設計過程をシミュレートする。 シミュレーション結果によると、我々のアプローチは、自律的な薬物設計のために化学空間を探索し、活用する可能性を持っている。

関連論文リスト

• MAMMAL -- Molecular Aligned Multi-Modal Architecture and Language [0.24434823694833652]
  MAMMALは、大規模生物学的データセットから学習する多目的マルチタスク基盤モデルである。 我々は、幅広い分類、回帰、生成タスクをサポートするプロンプト構文を導入する。 典型的薬物発見パイプライン内の異なるステップにまたがる11種類の下流タスクのモデルを評価した。
  論文  参考訳（メタデータ） (2024-10-28T20:45:52Z)
• Permutation invariant multi-output Gaussian Processes for drug combination prediction in cancer [2.1145050293719745]
  がんにおける線量応答予測は、機械学習における活発な応用分野である。 目標は、実験的な設計をガイドしたり、治療決定を知らせるために使用できる正確な予測モデルを開発することである。
  論文  参考訳（メタデータ） (2024-06-28T18:28:38Z)
• De novo Drug Design using Reinforcement Learning with Multiple GPT Agents [16.508471997999496]
  MolRL-MGPTは、薬物分子生成のための複数のGPTエージェントを用いた強化学習アルゴリズムである。 このアルゴリズムはGurcaMolベンチマークで有望な結果を示し,SARS-CoV-2タンパク質標的に対する阻害剤の設計に有効であることを示した。
  論文  参考訳（メタデータ） (2023-12-21T13:24:03Z)
• Multi-objective Molecular Optimization for Opioid Use Disorder Treatment Using Generative Network Complex [5.33208055504216]
  オピオイド・ユース障害(OUD)が世界的な健康問題として浮上している。 本研究では,微分方程式(SDE)に基づく拡散モデルと事前学習された自己エンコーダモデルの潜在空間を結合した深部生成モデルを提案する。 分子発生器は、複数の標的に有効である分子の効率的な生成を可能にする。
  論文  参考訳（メタデータ） (2023-06-13T01:12:31Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding [34.27649279751879]
  対象ポケットの状況と様々な化学特性を考慮した新しい生成モデルを構築した。 実験により,本モデルは単条件および多条件の分子生成において良好な制御性を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-14T15:27:47Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)
• Biological Sequence Design with GFlowNets [75.1642973538266]
  望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。 これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。 本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-03-02T15:53:38Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。