論文の概要: Symbiotic Message Passing Model for Transfer Learning between
Anti-Fungal and Anti-Bacterial Domains
- arxiv url: http://arxiv.org/abs/2304.07017v1
- Date: Fri, 14 Apr 2023 09:21:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 14:04:53.538476
- Title: Symbiotic Message Passing Model for Transfer Learning between
Anti-Fungal and Anti-Bacterial Domains
- Title（参考訳）: 抗真菌ドメインと抗菌ドメイン間の伝達学習のための共生メッセージパッシングモデル
- Authors: Ronen Taub, Tanya Wasserman, Yonatan Savir
- Abstract要約: 我々は、異なるドメインからグラフ-ニューラルネットワークモデルを統合するための新しい手法、SMPNN(Symbiotic Message Passing Neural Network)を開発した。
抗菌活性から抗真菌活性を予測することで,本手法の利点を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning, and representation learning in particular, has the
potential to facilitate drug discovery by screening billions of compounds. For
example, a successful approach is representing the molecules as a graph and
utilizing graph neural networks (GNN). Yet, these approaches still require
experimental measurements of thousands of compounds to construct a proper
training set. While in some domains it is easier to acquire experimental data,
in others it might be more limited. For example, it is easier to test the
compounds on bacteria than perform in-vivo experiments. Thus, a key question is
how to utilize information from a large available dataset together with a small
subset of compounds where both domains are measured to predict compounds'
effect on the second, experimentally less available domain. Current transfer
learning approaches for drug discovery, including training of pre-trained
modules or meta-learning, have limited success. In this work, we develop a
novel method, named Symbiotic Message Passing Neural Network (SMPNN), for
merging graph-neural-network models from different domains. Using routing new
message passing lanes between them, our approach resolves some of the potential
conflicts between the different domains, and implicit constraints induced by
the larger datasets. By collecting public data and performing additional
high-throughput experiments, we demonstrate the advantage of our approach by
predicting anti-fungal activity from anti-bacterial activity. We compare our
method to the standard transfer learning approach and show that SMPNN provided
better and less variable performances. Our approach is general and can be used
to facilitate information transfer between any two domains such as different
organisms, different organelles, or different environments.
- Abstract（参考訳）: 機械学習、特に表現学習は、何十億もの化合物をスクリーニングすることで、薬物発見を促進する可能性がある。
例えば、成功したアプローチは分子をグラフとして表現し、グラフニューラルネットワーク(gnn)を利用する。
しかし、これらのアプローチは適切なトレーニングセットを構築するために何千もの化合物の実験的な測定を必要とする。
ある領域では実験データを取得するのが容易であるが、別の領域ではもっと制限があるかもしれない。
例えば、細菌上での化合物の試験は、生体内実験よりも容易である。
このようにして、重要な疑問は、大きな利用可能なデータセットからの情報と、両方のドメインが測定される化合物の小さなサブセットをどのように活用し、2番目の、実験的にあまり利用できない領域に対する化合物の効果を予測するかである。
現在の薬物発見のための伝達学習アプローチは、事前訓練されたモジュールのトレーニングやメタラーニングを含むが、成功は限られている。
本研究では,異なる領域のグラフニューラルネットワークモデルをマージするための共生型メッセージパッシングニューラルネットワーク(smpnn)という新しい手法を開発した。
新たなメッセージパスレーンをルーティングすることで、異なるドメイン間の潜在的な競合や、より大きなデータセットによって引き起こされる暗黙的な制約を解決します。
公開データを収集し,さらに高スループット実験を行うことで,抗菌活性から抗真菌活性を予測することにより,本手法の利点を実証する。
提案手法を標準転送学習手法と比較し,SMPNNがより優れた,より可変な性能を提供することを示す。
我々のアプローチは一般的であり、異なる生物、異なるオルガネラ、または異なる環境といった2つの領域間の情報伝達を容易にするために利用することができる。
関連論文リスト
- 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) - Objective-Agnostic Enhancement of Molecule Properties via Multi-Stage
VAE [1.3597551064547502]
変異オートエンコーダ(VAE)は医薬品発見の一般的な方法であり、その性能を改善するために様々なアーキテクチャやパイプラインが提案されている。
VAEアプローチは、データが高次元の周囲空間に埋め込まれた低次元多様体上にあるとき、多様体の回復不良に悩まされることが知られている。
本稿では, 合成データセット上での多様体回復を向上する多段階VAEアプローチを創薬分野に適用することを検討する。
論文 参考訳（メタデータ） (2023-08-24T20:22:22Z) - Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。
化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。
最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
論文 参考訳（メタデータ） (2023-08-02T22:18:41Z) - 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) - Tyger: Task-Type-Generic Active Learning for Molecular Property
Prediction [121.97742787439546]
分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。
アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。
本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
論文 参考訳（メタデータ） (2022-05-23T12:56:12Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Deep learning based domain adaptation for mitochondria segmentation on
EM volumes [5.682594415267948]
対象領域におけるミトコンドリアセグメンテーションを改善するための3つの非教師なし領域適応戦略を提案する。
そこで本研究では,ソースドメイン内でのみ得られる形態的事前条件に基づいて,新たな学習停止基準を提案する。
評価ラベルがない場合、提案した形態素に基づく計量をモニタリングすることは、トレーニングプロセスを止めて平均最適モデルを選択するための直感的で効果的な方法である。
論文 参考訳（メタデータ） (2022-02-22T09:49:25Z) - A More Biologically Plausible Local Learning Rule for ANNs [6.85316573653194]
提案した学習規則は, 塑性と神経関連性に依存するスパイクタイミングの概念から導かれる。
MNISTとIRISデータセットのバイナリ分類に関する予備評価は、バックプロパゲーションと同等の性能を示す。
学習のローカルな性質は、ネットワークにおける大規模分散学習と並列学習の可能性をもたらす。
論文 参考訳（メタデータ） (2020-11-24T10:35:47Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug
Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。
我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。
アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文 参考訳（メタデータ） (2020-05-13T20:29:48Z)
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。