論文の概要: Deep Learning Methods for Small Molecule Drug Discovery: A Survey
- arxiv url: http://arxiv.org/abs/2303.00313v1
- Date: Wed, 1 Mar 2023 08:16:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 15:33:40.099331
- Title: Deep Learning Methods for Small Molecule Drug Discovery: A Survey
- Title（参考訳）: 小分子薬物発見のための深層学習法:調査
- Authors: Wenhao Hu, Yingying Liu, Xuanyu Chen, Wenhao Chai, Hangyue Chen,
Hongwei Wang and Gaoang Wang
- Abstract要約: 薬物発見における深層学習の様々な応用を概観する。
これには、分子生成、分子特性予測、レトロ合成予測、反応予測が含まれる。
創薬の課題を特定し,創薬における深層学習手法の今後の動向について論じる。
- 参考スコア（独自算出の注目度）: 6.61864409597243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of computer-assisted techniques, research communities
including biochemistry and deep learning have been devoted into the drug
discovery field for over a decade. Various applications of deep learning have
drawn great attention in drug discovery, such as molecule generation, molecular
property prediction, retrosynthesis prediction, and reaction prediction. While
most existing surveys only focus on one of the applications, limiting the view
of researchers in the community. In this paper, we present a comprehensive
review on the aforementioned four aspects, and discuss the relationships among
different applications. The latest literature and classical benchmarks are
presented for better understanding the development of variety of approaches.
We commence by summarizing the molecule representation format in these works,
followed by an introduction of recent proposed approaches for each of the four
tasks. Furthermore, we review a variety of commonly used datasets and
evaluation metrics and compare the performance of deep learning-based models.
Finally, we conclude by identifying remaining challenges and discussing the
future trend for deep learning methods in drug discovery.
- Abstract（参考訳）: コンピュータ支援技術の発展により、生物化学や深層学習を含む研究コミュニティは10年以上にわたって薬物発見分野に費やされてきた。
深層学習の様々な応用は、分子生成、分子特性予測、再合成予測、反応予測などの薬物発見に大きな注目を集めている。
既存の調査のほとんどはアプリケーションの1つにのみ焦点が当てられているが、コミュニティの研究者の見解は限られている。
本稿では,上記の4つの側面について総合的なレビューを行い,アプリケーション間の関係について考察する。
最新の文献と古典的なベンチマークは、様々なアプローチの開発をよりよく理解するために提示されている。
これらの研究で分子表現形式を要約し、さらに4つのタスクそれぞれに最近提案されたアプローチを導入することで開始する。
さらに,一般的なデータセットと評価指標について検討し,深層学習モデルの性能の比較を行った。
最後に,残った課題を特定し,薬物発見における深層学習手法の今後の動向について論じる。
関連論文リスト
- Bridging Text and Molecule: A Survey on Multimodal Frameworks for Molecule [16.641797535842752]
本稿では,分子研究のためのマルチモーダルフレームワークに関する最初の体系的研究について述べる。
分子深層学習の発展から始まり、テキストモダリティの関与の必要性を指摘する。
さらに, 大規模言語モデルの利用, 分子課題の促進, 創薬における重要な応用について検討した。
論文 参考訳（メタデータ） (2024-03-07T03:03:13Z) - 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) - 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) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - A Systematic Survey of Chemical Pre-trained Models [38.57023440288189]
ディープニューラルネットワーク(DNN)をスクラッチからトレーニングするには、しばしば大量のラベル付き分子を必要とする。
この問題を緩和するため、分子事前学習モデル(CPM)に多大な努力が注がれている。
CPMは、大規模未ラベルの分子データベースを使用して事前訓練され、特定の下流タスクに対して微調整される。
論文 参考訳（メタデータ） (2022-10-29T03:53:11Z) - 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) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - Using Molecular Embeddings in QSAR Modeling: Does it Make a Difference? [0.6299766708197883]
分子埋め込み法に関する文献をレビューし, 分子埋め込み法を3つ, 分子埋め込み法を2つ再現した。
異なる分類と回帰データセットを用いたQSARシナリオにおけるこれらの性能に関する5つの手法を比較した。
本研究は, 薬物設計作業に使用する前に, 各種埋め込み技術について, 慎重に比較, 分析することの必要性を強調した。
論文 参考訳（メタデータ） (2021-03-20T21:45:22Z) - A Systematic Assessment of Deep Learning Models for Molecule Generation [70.59828655929194]
薬物発見のための生成モデル評価のための広範囲なテストベッドを提案する。
文献で提案した多くのモデルから得られた結果について述べる。
論文 参考訳（メタデータ） (2020-08-20T19:13:31Z) - Multi-View Self-Attention for Interpretable Drug-Target Interaction
Prediction [4.307720252429733]
機械学習のアプローチでは、分子の数値表現がモデルの性能に欠かせない。
薬物と標的の相互作用をモデル化するための自己注意に基づく多視点表現学習手法を提案する。
論文 参考訳（メタデータ） (2020-05-01T14:28:17Z) - Deep neural network models for computational histopathology: A survey [1.2891210250935146]
深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました
本稿では,現在使われている最先端の深層学習手法について概説する。
私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
論文 参考訳（メタデータ） (2019-12-28T01:04:25Z)
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。