論文の概要: On How AI Needs to Change to Advance the Science of Drug Discovery
- arxiv url: http://arxiv.org/abs/2212.12560v1
- Date: Fri, 23 Dec 2022 19:35:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 14:24:32.352704
- Title: On How AI Needs to Change to Advance the Science of Drug Discovery
- Title（参考訳）: 薬物発見の科学を前進させるためにaiがどう変えるべきか
- Authors: Kieran Didi and Matej Ze\v{c}evi\'c
- Abstract要約: 因果因果因果因因果因因果因因因果因因果因果因果因因果因果因果因因果因因果因因果因因果因因果因果因因因果因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因因
本稿では,因果的薬物発見を因果的推論における薬物発見の過程を基盤としたモデル作成の手法として提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Research around AI for Science has seen significant success since the rise of
deep learning models over the past decade, even with longstanding challenges
such as protein structure prediction. However, this fast development inevitably
made their flaws apparent -- especially in domains of reasoning where
understanding the cause-effect relationship is important. One such domain is
drug discovery, in which such understanding is required to make sense of data
otherwise plagued by spurious correlations. Said spuriousness only becomes
worse with the ongoing trend of ever-increasing amounts of data in the life
sciences and thereby restricts researchers in their ability to understand
disease biology and create better therapeutics. Therefore, to advance the
science of drug discovery with AI it is becoming necessary to formulate the key
problems in the language of causality, which allows the explication of
modelling assumptions needed for identifying true cause-effect relationships.
In this attention paper, we present causal drug discovery as the craft of
creating models that ground the process of drug discovery in causal reasoning.
- Abstract（参考訳）: ai for scienceに関する研究は、タンパク質構造予測のような長年の課題にもかかわらず、過去10年間のディープラーニングモデルの台頭以来、大きな成功を収めている。
しかし、この迅速な開発は必然的にその欠陥を明白にした -- 特に原因と影響の関係を理解することが重要である推論の領域において。
そのような領域の1つは薬物発見であり、そのような理解は散発的な相関に悩まされるデータを理解するために必要である。
突発性は、生命科学におけるデータ量の増加が続いている傾向によって悪化するだけであり、それによって研究者は病気の生物学を理解し、より良い治療を行う能力を制限する。
したがって、AIによる薬物発見の科学を前進させるためには、因果関係の言語における重要な問題を定式化する必要がある。
本稿では,因果的薬物発見を因果的推論における薬物発見の過程を基盤としたモデル作成手法として提示する。
関連論文リスト
- Discovery of the Hidden World with Large Language Models [100.38157787218044]
COAT: Causal representatiOn AssistanTについて紹介する。
COATは、非構造化データから潜在的な因果因子を抽出する因子プロジェクタとしてLLMを組み込んでいる。
LLMはデータ値の収集に使用される追加情報を提供するよう指示することもできる。
論文 参考訳（メタデータ） (2024-02-06T12:18:54Z) - 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) - Inferring physical laws by artificial intelligence based causal models [3.333770856102642]
本稿では,相関関係を認識し,カジュアルな関係をもたらす物理原理の因果学習モデルを提案する。
本手法は,データ間の関係を把握できるだけでなく,変数間の因果関係を正しく把握できることを示す。
論文 参考訳（メタデータ） (2023-09-08T01:50:32Z) - Causal reasoning in typical computer vision tasks [11.95181390654463]
因果理論は、データバイアスの影響を受けない本質的な因果構造をモデル化し、突発的な相関を避けるのに有効である。
本稿では,一般的な視覚・視覚言語タスクにおける既存の因果的手法(セグメンテーション,オブジェクト検出,画像キャプションなど)を包括的にレビューすることを目的とする。
今後のロードマップも提案され、因果論の開発と他の複雑なシーンやシステムへの応用が促進される。
論文 参考訳（メタデータ） (2023-07-26T07:01:57Z) - A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。
突発効果の非パラメトリック分解を可能にする最初の結果を証明する。
説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
論文 参考訳（メタデータ） (2023-06-08T09:40:28Z) - A Survey on Causal Discovery: Theory and Practice [2.741266294612776]
因果推論は、原因とその影響を結びつける基礎となる関係を定量化するように設計されている。
本稿では,最近の進歩を統一的に検討し,既存のアルゴリズムを一貫した概要を提供し,有用なツールやデータを報告する。
論文 参考訳（メタデータ） (2023-05-17T08:18:56Z) - Causal Deep Learning [77.49632479298745]
因果性は、現実世界の問題を解決する方法を変える可能性がある。
しかし因果関係は、実際にテストできない重要な仮定を必要とすることが多い。
我々は、因果性に関する新しい考え方を提案します。
論文 参考訳（メタデータ） (2023-03-03T19:19:18Z) - Learning to Discover Medicines [21.744555824342264]
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。
論文 参考訳（メタデータ） (2022-02-14T23:43:51Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳（メタデータ） (2021-03-26T02:42:38Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳（メタデータ） (2021-02-22T15:26:57Z) - Estimation of Causal Effects in the Presence of Unobserved Confounding
in the Alzheimer's Continuum [3.2489082010225494]
アルツハイマー病の病因と効果に関する現在の臨床知識から因果グラフを導出する。
因果効果の識別可能性を示すためには,すべての共同創設者の認識と測定が必要である。
理論的解析では,代用共同設立者が神経解剖学の認知に対する因果的影響を識別できることが証明された。
論文 参考訳（メタデータ） (2020-06-23T16:29:54Z)
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。