論文の概要: In Silico Prediction of Blood-Brain Barrier Permeability of Chemical
Compounds through Molecular Feature Modeling
- arxiv url: http://arxiv.org/abs/2208.09484v1
- Date: Thu, 18 Aug 2022 19:59:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 14:15:13.448821
- Title: In Silico Prediction of Blood-Brain Barrier Permeability of Chemical
Compounds through Molecular Feature Modeling
- Title(参考訳): 分子特性モデリングによる化合物の血液脳バリア透過性のシリコ予測
- Authors: Tanish Jain, Praveen Kumar Pandian Shanmuganathan
- Abstract要約: 中枢神経系障害を治療する新薬の開発は、血液脳関門をまたぐ浸透効果の低下により、ユニークな課題を呈している。
本研究では,化学物質の特徴を解析するMLモデルを用いて,この問題を軽減することを目的とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The introduction of computational techniques to analyze chemical data has
given rise to the analytical study of biological systems, known as
"bioinformatics". One facet of bioinformatics is using machine learning (ML)
technology to detect multivariable trends in various cases. Amongst the most
pressing cases is predicting blood-brain barrier (BBB) permeability. The
development of new drugs to treat central nervous system disorders presents
unique challenges due to poor penetration efficacy across the blood-brain
barrier. In this research, we aim to mitigate this problem through an ML model
that analyzes chemical features. To do so: (i) An overview into the relevant
biological systems and processes as well as the use case is given. (ii) Second,
an in-depth literature review of existing computational techniques for
detecting BBB permeability is undertaken. From there, an aspect unexplored
across current techniques is identified and a solution is proposed. (iii)
Lastly, a two-part in silico model to quantify likelihood of permeability of
drugs with defined features across the BBB through passive diffusion is
developed, tested, and reflected on. Testing and validation with the dataset
determined the predictive logBB model's mean squared error to be around 0.112
units and the neuroinflammation model's mean squared error to be approximately
0.3 units, outperforming all relevant studies found.
- Abstract(参考訳): 化学データを分析するための計算技術の導入により、「バイオインフォマティクス」として知られる生物学的システムの分析研究が始まった。
バイオインフォマティクスの1つの側面は、機械学習(ML)技術を使用して、さまざまなケースにおける多変量トレンドを検出することである。
最も重要な症例は、血液脳関門(BBB)透過性の予測である。
中枢神経系障害を治療する新薬の開発は、血液脳関門をまたぐ浸透効果の低下により、ユニークな課題を呈している。
本研究では,化学特性を解析するMLモデルを用いてこの問題を軽減することを目的とする。
そうするために
(i)利用事例と同様に、関連する生物学的システムやプロセスについて概説する。
第二に、BBB透過性を検出するための既存の計算手法の詳細な文献レビューを行う。
そこから、現在の技術で探索されていない側面を特定し、解決策を提案する。
(iii) 最後に, 受動拡散によりbbb全体で定義された特徴を有する薬物の透過性を定量化するシリコモデルの2部構成法を開発し, 試験し, 反映した。
データセットによるテストと検証により、予測的logBBモデルの平均2乗誤差は0.112単位、神経炎症モデルの平均2乗誤差は0.3単位と判定され、関連するすべての研究を上回った。
関連論文リスト
- Conformal Prediction in Dynamic Biological Systems [0.6144680854063939]
不確実性定量化(英: Uncertainty Quantification、UQ)は、計算モデル予測における信頼度を体系的に決定し、特徴づける過程である。
ここでは、決定論的非線形常微分方程式で表される動的モデルに焦点を当てる。
本稿では,共形推論手法を用いて,漸近的でない保証を提供する2つの新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-09-04T12:20:27Z) - Evaluation Framework for AI-driven Molecular Design of Multi-target Drugs: Brain Diseases as a Case Study [0.0]
マルチターゲットドラッグディスカバリ(Multi-target Drug Discovery、MTDD)は、複雑な疾患に対する薬物発見のパラダイムである。
本稿では,MTDDシナリオにおける分子生成手法の評価フレームワークを提案する。
論文 参考訳(メタデータ) (2024-08-20T01:42:16Z) - Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳(メタデータ) (2024-05-29T17:07:33Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳(メタデータ) (2023-07-26T02:34:57Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳(メタデータ) (2021-06-25T20:09:23Z) - Extracting Chemical-Protein Interactions via Calibrated Deep Neural
Network and Self-training [0.8376091455761261]
データ不確実性を推定し、信頼性を向上させるため、ディープラーニングモデルに"校正"技術が適用されている。
本研究では, 化学物質-タンパク質相互作用を抽出するために, 不確実性情報とキャリブレーション手法を取り入れたDNNベースの手法を提案する。
我々の手法は,従来の手法よりも高い校正能力を維持しつつ,Biocreative VI ChemProtタスクに関して最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2020-11-04T10:14:31Z) - 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)
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。