論文の概要: Artificial Intelligence for Drug Discovery: Are We There Yet?

• arxiv url: http://arxiv.org/abs/2307.06521v1
• Date: Thu, 13 Jul 2023 01:51:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-14 16:09:08.598239
• Title: Artificial Intelligence for Drug Discovery: Are We There Yet?
• Title（参考訳）: 薬物発見のための人工知能:まだあるのか?
• Authors: Catrin Hasselgren and Tudor I. Oprea
• Abstract要約: 薬物発見は、効果的な治療開発を促進するために、データサイエンス、情報学、人工知能(AI)といった新しい技術に適応している。 本稿では, 薬物発見の3つの柱である疾患, 標的, 治療モダリティにおけるAIの利用について論じる。
• 参考スコア（独自算出の注目度）: 0.08306867559432653
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Drug discovery is adapting to novel technologies such as data science, informatics, and artificial intelligence (AI) to accelerate effective treatment development while reducing costs and animal experiments. AI is transforming drug discovery, as indicated by increasing interest from investors, industrial and academic scientists, and legislators. Successful drug discovery requires optimizing properties related to pharmacodynamics, pharmacokinetics, and clinical outcomes. This review discusses the use of AI in the three pillars of drug discovery: diseases, targets, and therapeutic modalities, with a focus on small molecule drugs. AI technologies, such as generative chemistry, machine learning, and multi-property optimization, have enabled several compounds to enter clinical trials. The scientific community must carefully vet known information to address the reproducibility crisis. The full potential of AI in drug discovery can only be realized with sufficient ground truth and appropriate human intervention at later pipeline stages.
• Abstract（参考訳）: データサイエンス、インフォマティクス、人工知能(ai)などの新しい技術を適用し、コストと動物実験を削減しながら効果的な治療開発を加速している。 AIは、投資家、産業科学者、学術科学者、立法者からの関心が高まる中で、薬物発見を変革している。 薬の発見に成功するには、薬物動態、薬物動態、臨床結果に関連する特性の最適化が必要である。 本稿では, 薬物発見の3つの柱である疾患, 標的, 治療的モダリティにおけるaiの利用について, 小分子薬を中心に論じる。 生成化学、機械学習、多属性最適化などのai技術により、いくつかの化合物が臨床試験に参入できるようになった。 科学的コミュニティは再現性危機に対処するために、既知の情報を慎重に検証しなければならない。 薬物発見におけるAIの潜在能力は、十分な基礎的真実と適切な人間の介入によってのみ実現される。

関連論文リスト

• A Comprehensive Guide to Enhancing Antibiotic Discovery Using Machine Learning Derived Bio-computation [0.7739316058960921]
  薬物発見プロセスの合理化と高速化に使用できる、さまざまなAIおよびMLツールの概要を提供する。 我々は、高品質なデータの不足を含む、AIベースの薬物発見と開発における制限に対処する。 我々は,AIとMLが新たな抗生物質の発見を迅速化して,世界的な抗菌抵抗性問題に対処する方法について論じる。
  論文  参考訳（メタデータ） (2024-11-08T23:04:42Z)
• 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)
• DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning [10.528489471229946]
  本稿では,最先端の機械学習技術と知識統合を用いた医薬品再調達プロセスを強化するためのマルチエージェントフレームワークを提案する。 AIエージェントは、DTIモデルを訓練し、知識グラフエージェントはDGIdbを使用してDTIを系統的に抽出する。 これらのエージェントからの出力を統合することで、外部データベースを含む多様なデータソースを効果的に活用し、実行可能な再資源化候補を提案する。
  論文  参考訳（メタデータ） (2024-08-23T21:24:59Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Emerging Opportunities of Using Large Language Models for Translation Between Drug Molecules and Indications [6.832024637226738]
  薬物分子とそれに対応する指標を翻訳する新しい課題を提案する。 表示からの分子の生成、またはその逆は、病気のより効率的なターゲティングを可能にする。
  論文  参考訳（メタデータ） (2024-02-14T21:33:13Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• ChatGPT in Drug Discovery: A Case Study on Anti-Cocaine Addiction Drug Development with Chatbots [5.017265957266848]
  この研究は、GPT-4を仮想ガイドとして採用し、薬物候補の生成モデルに取り組んでいる研究者に戦略的および方法論的な洞察を提供する。 第一の目的は、望ましい性質を持つ最適な薬物様分子を生成することである。 この研究は、人間の専門知識とAI支援の協調的な相乗効果に光を当て、ChatGPTの認知能力は、潜在的医薬品ソリューションの開発を促進する。
  論文  参考訳（メタデータ） (2023-08-14T03:43:57Z)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise Annotations [90.27736364704108]
  我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。 DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。 我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
  論文  参考訳（メタデータ） (2022-01-24T12:32:48Z)
• Applications of artificial intelligence in drug development using real-world data [3.692950272002333]
  FDAは医薬品開発における実世界のデータ(RWD)の利用を積極的に推進している。 RWDは、治療が使用される実際の臨床環境を反映した重要な現実世界の証拠を生成することができる。 ML/DL(Machine- and Deep-learning)法は、薬物開発プロセスの多くの段階にまたがって用いられている。
  論文  参考訳（メタデータ） (2021-01-22T01:13:54Z)

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。