論文の概要: Predicting Side Effect of Drug Molecules using Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2305.10473v1
• Date: Wed, 17 May 2023 16:56:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-19 18:36:05.570621
• Title: Predicting Side Effect of Drug Molecules using Recurrent Neural Networks
• Title（参考訳）: リカレントニューラルネットワークを用いた薬物分子の副作用予測
• Authors: Collin Beaudoin, Koustubh Phalak, Swaroop Ghosh
• Abstract要約: 規制団体への提出前に副作用の特定に失敗すると、企業への追加調査に数百万ドルと数ヶ月かかる可能性がある。 従来のアプローチでは、サイドエフェクト予測のための複雑なモデル設計と過剰なパラメータカウントに依存していた。 本稿では,単純なニューラルネットワーク,特にリカレントニューラルネットワークの利用を可能にするアプローチを提案する。
• 参考スコア（独自算出の注目度）: 4.608607664709314
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Identification and verification of molecular properties such as side effects is one of the most important and time-consuming steps in the process of molecule synthesis. For example, failure to identify side effects before submission to regulatory groups can cost millions of dollars and months of additional research to the companies. Failure to identify side effects during the regulatory review can also cost lives. The complexity and expense of this task have made it a candidate for a machine learning-based solution. Prior approaches rely on complex model designs and excessive parameter counts for side effect predictions. We believe reliance on complex models only shifts the difficulty away from chemists rather than alleviating the issue. Implementing large models is also expensive without prior access to high-performance computers. We propose a heuristic approach that allows for the utilization of simple neural networks, specifically the recurrent neural network, with a 98+% reduction in the number of required parameters compared to available large language models while still obtaining near identical results as top-performing models.
• Abstract（参考訳）: サイドエフェクトなどの分子特性の同定と検証は、分子合成の過程において最も重要かつ時間を要するステップの1つである。 例えば、規制団体への提出前に副作用を特定できない場合、企業への追加調査に数百万ドルと数ヶ月かかる可能性がある。 規制審査中の副作用の特定に失敗しても命がかからない。 このタスクの複雑さとコストにより、機械学習ベースのソリューションの候補となった。 事前のアプローチは、副作用予測のために複雑なモデル設計と過剰なパラメータ数に依存する。 複雑なモデルへの依存は、問題を緩和するよりも、化学者から困難を逸脱させるだけだと信じています。 大型モデルの実装も、高性能コンピュータに事前アクセスすることなく高価である。 本稿では,単純なニューラルネットワーク,特にリカレントニューラルネットワークの利用を可能にするヒューリスティックなアプローチを提案する。

関連論文リスト

• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• Retrosynthesis prediction enhanced by in-silico reaction data augmentation [66.5643280109899]
  RetroWISEは,実データから推定されるベースモデルを用いて,シリコン内反応の生成と増大を行うフレームワークである。 3つのベンチマークデータセットで、RetroWISEは最先端モデルに対して最高の全体的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-01-31T07:40:37Z)
• Optimizing Dense Feed-Forward Neural Networks [0.0]
  本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。 提案手法では,パラメータ数を70%以上圧縮できる。 また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
  論文  参考訳（メタデータ） (2023-12-16T23:23:16Z)
• Cross-Model Comparative Loss for Enhancing Neuronal Utility in Language Understanding [82.46024259137823]
  幅広いタスクに対するクロスモデル比較損失を提案する。 3つの異なるNLUタスクから14のデータセットに対する広範な実験により比較損失の普遍的有効性を示す。
  論文  参考訳（メタデータ） (2023-01-10T03:04:27Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• Neural parameter calibration for large-scale multi-agent models [0.7734726150561089]
  本稿では,ニューラルネットワークを用いてパラメータの精度の高い確率密度を求める手法を提案する。 2つの組み合わせは、非常に大きなシステムであっても、モデルパラメータの密度を素早く見積もることができる強力なツールを作成する。
  論文  参考訳（メタデータ） (2022-09-27T17:36:26Z)
• Go Beyond Multiple Instance Neural Networks: Deep-learning Models based on Local Pattern Aggregation [0.0]
  畳み込みニューラルネットワーク(CNN)は、臨床心電図(ECG)と話者非依存音声の処理においてブレークスルーをもたらした。 本稿では,局所的なパターン集約に基づくディープラーニングモデルを提案する。 LPANetと呼ばれる新しいネットワーク構造には、トリミングと集約操作が組み込まれている。
  論文  参考訳（メタデータ） (2022-05-28T13:18:18Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Data Transfer Approaches to Improve Seq-to-Seq Retrosynthesis [1.6449390849183363]
  再合成は、化学反応によって与えられた生成物化合物を合成するために反応化合物を推測する問題である。 レトロ合成に関する最近の研究は、より洗練された予測モデルの提案に焦点を当てている。 モデルをフィードするデータセットは、最高の一般化モデルを達成する上でも重要な役割を果たす。
  論文  参考訳（メタデータ） (2020-10-02T05:27:51Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。