論文の概要: Empowering AI drug discovery with explicit and implicit knowledge
- arxiv url: http://arxiv.org/abs/2305.01523v1
- Date: Mon, 17 Apr 2023 13:15:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 15:52:52.008747
- Title: Empowering AI drug discovery with explicit and implicit knowledge
- Title(参考訳): 明示的で暗黙的な知識でAI薬物発見を強力に
- Authors: Yizhen Luo, Kui Huang, Massimo Hong, Kai Yang, Jiahuan Zhang, Yushuai
Wu and Zaiqin Nie
- Abstract要約: 我々は、AI薬物発見のための明示的知識と暗黙的知識の両方を取り入れた統合型ディープラーニングフレームワークを提案する。
実験の結果、DeepEIKはAIの薬物発見において重要なタスクにおいて最先端の手法を大幅に上回っていることがわかった。
- 参考スコア(独自算出の注目度): 6.779892668799432
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivation: Recently, research on independently utilizing either explicit
knowledge from knowledge graphs or implicit knowledge from biomedical
literature for AI drug discovery has been growing rapidly. These approaches
have greatly improved the prediction accuracy of AI models on multiple
downstream tasks. However, integrating explicit and implicit knowledge
independently hinders their understanding of molecules. Results: We propose
DeepEIK, a unified deep learning framework that incorporates both explicit and
implicit knowledge for AI drug discovery. We adopt feature fusion to process
the multi-modal inputs, and leverage the attention mechanism to denoise the
text information. Experiments show that DeepEIK significantly outperforms
state-of-the-art methods on crucial tasks in AI drug discovery including
drug-target interaction prediction, drug property prediction and
protein-protein interaction prediction. Further studies show that benefiting
from explicit and implicit knowledge, our framework achieves a deeper
understanding of molecules and shows promising potential in facilitating drug
discovery applications.
- Abstract(参考訳): 動機づけ:近年、知識グラフからの明示的な知識と、AI薬物発見のためのバイオメディカル文献からの暗黙的な知識を独立的に活用する研究が急速に進んでいる。
これらのアプローチは、複数の下流タスクにおけるAIモデルの予測精度を大幅に改善した。
しかし、明示的知識と暗黙的知識の統合は独立して分子の理解を妨げる。
結果:AI薬物発見のための明示的知識と暗黙的知識の両方を組み込んだ統合ディープラーニングフレームワークであるDeepEIKを提案する。
本稿では,マルチモーダル入力の処理にフィーチャーフュージョンを採用し,注意機構を利用してテキスト情報をデノベーションする。
実験によると、DeepEIKは、薬物-標的相互作用予測、薬物特性予測、タンパク質-タンパク質相互作用予測を含むAI薬物発見における重要なタスクにおいて、最先端の手法を著しく上回っている。
さらに、明示的で暗黙的な知識の恩恵を受け、我々の枠組みは分子の深い理解を達成し、薬物発見の応用を促進する有望な可能性を示している。
関連論文リスト
- Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。
我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。
我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
論文 参考訳(メタデータ) (2024-11-10T16:40:27Z) - Explainable AI Methods for Multi-Omics Analysis: A Survey [3.885941688264509]
マルチオミクス(multi-omics)とは、複数の「オム」から派生したデータの積分解析である。
深層学習の手法は、マルチオミクスデータの統合や、分子間相互作用の洞察、複雑な疾患の研究の強化にますます活用されている。
これらのモデルは、多くの相互接続層と非線形関係を持ち、しばしばブラックボックスとして機能し、意思決定プロセスにおける透明性を欠いている。
このレビューでは、マルチオミクス研究において、xAIが深層学習モデルの解釈可能性を改善する方法について検討し、臨床医に明確な洞察を与える可能性を強調した。
論文 参考訳(メタデータ) (2024-10-15T05:01:17Z) - GIVE: Structured Reasoning with Knowledge Graph Inspired Veracity Extrapolation [108.2008975785364]
Graph Inspired Veracity Extrapolation (GIVE)は、パラメトリックメモリと非パラメトリックメモリを統合する新しい推論フレームワークである。
本手法は,ゴールド回答検索ではなく,専門家の問題解決に類似した論理的・段階的推論手法を提案する。
論文 参考訳(メタデータ) (2024-10-11T03:05:06Z) - Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。
これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
論文 参考訳(メタデータ) (2024-09-06T02:03:38Z) - A Systematic Review of Intermediate Fusion in Multimodal Deep Learning for Biomedical Applications [0.7831774233149619]
本研究は,生物医学的応用における現在の中間核融合法の解析と形式化を目的としている。
バイオメディカルドメインを超えて,これらの手法の理解と応用を高めるための構造的表記法を導入する。
我々の発見は、より高度で洞察に富んだマルチモーダルモデルの開発において、研究者、医療専門家、そしてより広範なディープラーニングコミュニティを支援することを目的としています。
論文 参考訳(メタデータ) (2024-08-02T11:48:04Z) - Diversifying Knowledge Enhancement of Biomedical Language Models using
Adapter Modules and Knowledge Graphs [54.223394825528665]
我々は、軽量なアダプターモジュールを用いて、構造化された生体医学的知識を事前訓練された言語モデルに注入するアプローチを開発した。
バイオメディカル知識システムUMLSと新しいバイオケミカルOntoChemの2つの大きなKGと、PubMedBERTとBioLinkBERTの2つの著名なバイオメディカルPLMを使用している。
計算能力の要件を低く保ちながら,本手法がいくつかの事例において性能改善につながることを示す。
論文 参考訳(メタデータ) (2023-12-21T14:26:57Z) - InstructMol: Multi-Modal Integration for Building a Versatile and
Reliable Molecular Assistant in Drug Discovery [19.870192393785043]
LLM(Large Language Models)は、複雑な分子データとの相互作用の再構築を約束する。
我々の新しい貢献であるInstructMolは、インストラクションチューニングアプローチを通じて、分子構造と自然言語を効果的に整合させる。
InstructMolは、薬物発見関連分子タスクの大幅なパフォーマンス向上を示す。
論文 参考訳(メタデータ) (2023-11-27T16:47:51Z) - Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。
近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
論文 参考訳(メタデータ) (2023-02-16T12:38:01Z) - Structure-based drug discovery with deep learning [0.0]
深層学習という形で人工知能(AI)は、薬物発見と化学生物学を約束する。
本稿では,薬物発見のための構造に基づく深層学習において,最も顕著なアルゴリズム概念を概説する。
論文 参考訳(メタデータ) (2022-12-26T20:52:26Z) - Discovering Drug-Target Interaction Knowledge from Biomedical Literature [107.98712673387031]
人体における薬物と標的(DTI)の相互作用は、生物医学や応用において重要な役割を担っている。
毎年何百万もの論文がバイオメディカル分野で出回っているので、文学からDTIの知識を自動的に発見することは、業界にとって急激な需要となっている。
生成的アプローチを用いて,この課題に対する最初のエンドツーエンドソリューションについて検討する。
我々はDTI三重項をシーケンスとみなし、Transformerベースのモデルを使ってエンティティや関係の詳細なアノテーションを使わずに直接生成する。
論文 参考訳(メタデータ) (2021-09-27T17:00:14Z) - 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。