論文の概要: Towards Unified AI Drug Discovery with Multiple Knowledge Modalities

• arxiv url: http://arxiv.org/abs/2305.01523v2
• Date: Sat, 14 Oct 2023 05:49:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-18 05:30:24.315709
• Title: Towards Unified AI Drug Discovery with Multiple Knowledge Modalities
• Title（参考訳）: 複数の知識モダリティを備えた統合AI創薬に向けて
• Authors: Yizhen Luo, Xing Yi Liu, Kai Yang, Kui Huang, Massimo Hong, Jiahuan Zhang, Yushuai Wu, Zaiqing Nie
• Abstract要約: 我々は,統合型,エンドツーエンド,マルチモーダルなディープラーニングフレームワークであるKEDDを提案する。 膨大なAI薬物発見タスクに対して、構造化知識と非構造化知識の両方を最適に組み込む。 我々のフレームワークは分子の深い理解を実現し、最先端の手法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 5.232382666884214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, AI models that mine intrinsic patterns from molecular structures and protein sequences have shown promise in accelerating drug discovery. However, these methods partly lag behind real-world pharmaceutical approaches of human experts that additionally grasp structured knowledge from knowledge bases and unstructured knowledge from biomedical literature. To bridge this gap, we propose KEDD, a unified, end-to-end, and multimodal deep learning framework that optimally incorporates both structured and unstructured knowledge for vast AI drug discovery tasks. The framework first extracts underlying characteristics from heterogeneous inputs, and then applies multimodal fusion for accurate prediction. To mitigate the problem of missing modalities, we leverage multi-head sparse attention and a modality masking mechanism to extract relevant information robustly. Benefiting from integrated knowledge, our framework achieves a deeper understanding of molecule entities, brings significant improvements over state-of-the-art methods on a wide range of tasks and benchmarks, and reveals its promising potential in assisting real-world drug discovery.
• Abstract（参考訳）: 近年、分子構造やタンパク質配列から本質的なパターンを抽出するAIモデルは、薬物発見の加速を約束している。 しかし、これらの手法は、知識ベースから構造化知識を把握し、バイオメディカル文献から非構造化知識を付加する、人間の専門家による現実世界の薬学アプローチの遅れがある。 このギャップを埋めるため,我々は,構造化された知識と非構造化知識の両方を,巨大なai薬物発見タスクに最適な統合型,エンドツーエンド、マルチモーダルなディープラーニングフレームワークであるkeddを提案する。 このフレームワークは、まず異種入力から基礎となる特性を抽出し、その後、正確な予測にマルチモーダル融合を適用する。 モダリティの欠如を緩和するために,マルチヘッドスパースアテンションとモダリティマスキング機構を活用し,関連情報を堅牢に抽出する。 統合的な知識の恩恵を受け、我々のフレームワークは分子の実体をより深く理解し、幅広いタスクやベンチマークにおいて最先端の手法よりも大幅な改善をもたらし、現実世界の薬物発見を支援する有望な可能性を明らかにする。

関連論文リスト

• Small Molecule Drug Discovery Through Deep Learning:Progress, Challenges, and Opportunities [34.72068278499029]
  深層学習(DL)技術の急速な発展により,DLを基盤とした小型分子ドラッグ発見法は優れた性能を発揮した。 本稿では, DLをベースとした小分子創薬における最近の重要な課題と代表的手法を体系的に要約し, 一般化する。
  論文  参考訳（メタデータ） (2025-02-13T05:24:52Z)
• 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)
• 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 [18.521011630419622]
  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)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• 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。