Fugu-MT 論文翻訳(概要): MLT-LE: predicting drug-target binding affinity with multi-task residual neural networks

論文の概要: MLT-LE: predicting drug-target binding affinity with multi-task residual neural networks

arxiv url: http://arxiv.org/abs/2209.06274v1
Date: Tue, 13 Sep 2022 19:39:42 GMT
ステータス: 処理完了
システム内更新日: 2022-09-15 13:36:50.112294
Title: MLT-LE: predicting drug-target binding affinity with multi-task residual neural networks
Title（参考訳）: MLT-LE:マルチタスク残基ニューラルネットワークによる薬物標的結合親和性予測
Authors: Elizaveta Vinogradova, Karina Pats, Ferdinand Moln\'ar and Siamac Fazli
Abstract要約: 結合強度予測のためのマルチタスク手法を提案する。以上の結果から,これらの予測はマルチタスク学習のアプローチの恩恵を受けることが示唆された。
参考スコア（独自算出の注目度）: 25.488181126364186
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Assessing drug-target affinity is a critical step in the drug discovery and development process, but to obtain such data experimentally is both time consuming and expensive. For this reason, computational methods for predicting binding strength are being widely developed. However, these methods typically use a single-task approach for prediction, thus ignoring the additional information that can be extracted from the data and used to drive the learning process. Thereafter in this work, we present a multi-task approach for binding strength prediction. Our results suggest that these prediction can indeed benefit from a multi-task learning approach, by utilizing added information from related tasks and multi-task induced regularization.
Abstract（参考訳）: ドラッグターゲット親和性を評価することは、医薬品の発見・開発プロセスにおける重要なステップであるが、そのようなデータを実験的に取得するには時間と費用がかかる。このため,結合強度を予測する計算手法が広く開発されている。しかしながら、これらの手法は通常、予測に単一タスクアプローチを使用するため、データから抽出され学習プロセスの駆動に使用される追加情報を無視する。そこで本研究では,バインディング強度予測のためのマルチタスク手法を提案する。これらの予測は、関連するタスクからの付加情報とマルチタスク誘導正規化を利用して、マルチタスク学習アプローチの恩恵を受けることができる。

関連論文リスト

Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文参考訳（メタデータ） (2024-04-16T07:42:55Z)
PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。性能向上のための新しい改良を提案する。
論文参考訳（メタデータ） (2023-10-06T05:00:25Z)
Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。複数の臨床データセットに対するTAMLの有効性を示す。
論文参考訳（メタデータ） (2023-03-05T03:54:54Z)
Uncertainty-Aware Meta-Learning for Multimodal Task Distributions [3.7470451129384825]
UnLiMiTD(マルチモーダルタスク分散のための不確実性認識メタラーニング)を提案する。確率論的視点を採り、メタデータセット上のタスクに対してパラメトリックで調整可能な分布をトレーニングする。我々は、UnLiMiTDの予測が、ほとんどの場合、標準ベースラインと好意的に比較され、性能的に優れていることを示した。
論文参考訳（メタデータ） (2022-10-04T20:02:25Z)
SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
論文参考訳（メタデータ） (2022-06-20T14:53:25Z)
Coupling Deep Imputation with Multitask Learning for Downstream Tasks on Genomics Data [0.0]
本稿では,深層学習とマルチタスク学習を併用して,不足値のインパルス化が,最先端のパフォーマンス向上にどのように寄与するかを検討する。本稿では,患者が1つを除いてすべてのモダリティを持つような値を暗示する,一般化された深層計算法を提案する。対照的に、全てのモダリティを生存予測に用いた場合、マルチタスク学習だけでは統計的に有意な深層計算よりも優れていることが観察される。
論文参考訳（メタデータ） (2022-04-28T09:48:15Z)
Patient Outcome and Zero-shot Diagnosis Prediction with Hypernetwork-guided Multitask Learning [3.392432412743858]
マルチタスク深層学習は、テキストからの患者結果予測に応用されている。複数のタスクにおける診断予測は、稀な疾患や未診断の診断による一般化可能性の問題である。本稿では,タスク条件付きパラメータとマルチタスク予測ヘッドの係数を生成するハイパーネットワークベースの手法を提案する。
論文参考訳（メタデータ） (2021-09-07T12:52:26Z)
Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
トレーニングデータアーティファクトの識別を容易にする手法を提案する。提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
論文参考訳（メタデータ） (2021-07-01T09:26:13Z)
Clinical Risk Prediction with Temporal Probabilistic Asymmetric Multi-Task Learning [80.66108902283388]
マルチタスク学習手法は、臨床リスク予測などの安全クリティカルな応用に注意を払って使用すべきである。既存の非対称なマルチタスク学習手法は、低損失のタスクから高損失のタスクへの知識伝達を行うことにより、この負の伝達問題に対処する。特徴レベルの不確実性に基づいて,特定のタスク/タイムステップから関連する不確実なタスクへの知識伝達を行う,新しい時間的非対称型マルチタスク学習モデルを提案する。
論文参考訳（メタデータ） (2020-06-23T06:01:36Z)
Neural Methods for Point-wise Dependency Estimation [129.93860669802046]
我々は,2つの結果が共起する確率を定量的に測定する点依存度(PD)の推定に焦点をあてる。提案手法の有効性を,1)MI推定,2)自己教師付き表現学習,3)クロスモーダル検索タスクで示す。
論文参考訳（メタデータ） (2020-06-09T23:26:15Z)

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。