論文の概要: DrugChat: Towards Enabling ChatGPT-Like Capabilities on Drug Molecule Graphs

• arxiv url: http://arxiv.org/abs/2309.03907v1
• Date: Thu, 18 May 2023 16:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 08:43:18.547579
• Title: DrugChat: Towards Enabling ChatGPT-Like Capabilities on Drug Molecule Graphs
• Title（参考訳）: DrugChat: 薬物分子グラフ上でChatGPTのような機能を実現する
• Authors: Youwei Liang, Ruiyi Zhang, Li Zhang, Pengtao Xie
• Abstract要約: 薬物分子グラフ上でChatGPTライクな機能を実現するための最初の試みは、プロトタイプシステムであるD薬チャットを開発することである。 DrugChatはChatGPTと同様の働きをする。ユーザーは複合分子グラフをアップロードし、この化合物について様々な質問をする。TarmChatは、これらの質問にマルチターンで対話的な方法で答える。
• 参考スコア（独自算出の注目度）: 40.55784780289951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A ChatGPT-like system for drug compounds could be a game-changer in pharmaceutical research, accelerating drug discovery, enhancing our understanding of structure-activity relationships, guiding lead optimization, aiding drug repurposing, reducing the failure rate, and streamlining clinical trials. In this work, we make an initial attempt towards enabling ChatGPT-like capabilities on drug molecule graphs, by developing a prototype system DrugChat. DrugChat works in a similar way as ChatGPT. Users upload a compound molecule graph and ask various questions about this compound. DrugChat will answer these questions in a multi-turn, interactive manner. The DrugChat system consists of a graph neural network (GNN), a large language model (LLM), and an adaptor. The GNN takes a compound molecule graph as input and learns a representation for this graph. The adaptor transforms the graph representation produced by the GNN into another representation that is acceptable to the LLM. The LLM takes the compound representation transformed by the adaptor and users' questions about this compound as inputs and generates answers. All these components are trained end-to-end. To train DrugChat, we collected instruction tuning datasets which contain 10,834 drug compounds and 143,517 question-answer pairs. The code and data is available at \url{https://github.com/UCSD-AI4H/drugchat}
• Abstract（参考訳）: 薬物化合物のChatGPTライクなシステムは、医薬品研究におけるゲームチェンジャーになり、薬物発見の促進、構造-活性関係の理解の強化、リード最適化の指導、薬物再資源化の支援、失敗率の低減、臨床試験の合理化などが可能である。 本研究では,薬物分子グラフ上でChatGPTライクな機能を実現するためのプロトタイプシステムであるD薬チャットを開発した。 DrugChatはChatGPTと同じように動作する。 ユーザは化合物分子グラフをアップロードし、この化合物について様々な質問をする。 drugchatは、マルチターンでインタラクティブな方法でこれらの質問に答える。 DrugChatシステムは、グラフニューラルネットワーク(GNN)、大規模言語モデル(LLM)、およびアダプタで構成される。 GNNは複合分子グラフを入力とし、このグラフの表現を学ぶ。 アダプタは、GNNによって生成されたグラフ表現をLLMに許容される別の表現に変換する。 LLMは、適応子とユーザの質問によって変換された複合表現を入力とし、回答を生成する。 これらのコンポーネントはすべてエンドツーエンドでトレーニングされる。 そこで我々は10,834の薬物化合物と143,517の質問応答対を含む指導調律データセットを収集した。 コードとデータは \url{https://github.com/ucsd-ai4h/drugchat} で入手できる。

関連論文リスト

• Towards Dynamic Message Passing on Graphs [104.06474765596687]
  グラフニューラルネットワーク(GNN)のための新しい動的メッセージパッシング機構を提案する。 グラフノードと学習可能な擬似ノードを、測定可能な空間関係を持つ共通空間に投影する。 ノードが空間内を移動すると、その進化する関係は動的メッセージパッシングプロセスのための柔軟な経路構築を促進する。
  論文  参考訳（メタデータ） (2024-10-31T07:20:40Z)
• CardiGraphormer: Unveiling the Power of Self-Supervised Learning in Revolutionizing Drug Discovery [0.32634122554914]
  CardiGraphormer は Graphormer と Cardinality Preserving Attention の新たな組み合わせである。 SSLは強力な分子表現を学習し、GNNを用いて分子指紋を抽出する。 CardiGraphormerの薬物発見と薬物相互作用への応用は、非常に大きい。
  論文  参考訳（メタデータ） (2023-07-03T08:58:32Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• ChatGPT-powered Conversational Drug Editing Using Retrieval and Domain Feedback [27.286428000791172]
  ChatDrugは、対話型大言語モデル(LLM)を用いた薬物編集の体系的調査を容易にするフレームワークである。 実験によって、ChatDrugは、39の薬物編集タスクのうち33のタスクにおいて、小さな分子、ペプチド、タンパク質を含む最高のパフォーマンスに達することが実証された。 また、ChatDrugは、ドメイン固有の視点から洞察に富んだ説明を提供し、解釈可能性を高め、情報的な意思決定を可能にします。
  論文  参考訳（メタデータ） (2023-05-29T14:43:24Z)
• Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
  本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。 DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。 ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
  論文  参考訳（メタデータ） (2022-12-07T19:14:17Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• Graph Distance Neural Networks for Predicting Multiple Drug Interactions [4.103701929881021]
  グラフは薬物と薬物の相互作用を表す:ノードは薬物の相互作用を表す;エッジは薬物と薬物の相互作用を表す。 本研究は薬物と薬物の相互作用を予測するグラフ距離ニューラルネットワーク(GDNN)を提案する。 GDNNはogb-ddiddiデータセットでTest Hits@20=0.9037を達成した。
  論文  参考訳（メタデータ） (2022-08-30T04:04:03Z)
• TigerLily: Finding drug interactions in silico with the Graph [3.464656011246703]
  Tigerlilyは、薬物相互作用予測タスクを解決するために設計されたTigerGraphベースのシステムである。 この機械学習タスクでは、2つの薬物が有害な相互作用を持つかどうかを予測したい。
  論文  参考訳（メタデータ） (2022-04-18T07:57:43Z)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• My Body is a Cage: the Role of Morphology in Graph-Based Incompatible Control [65.77164390203396]
  本稿では,グラフにエンコードされた形態情報により,その性能が向上しないことを示す既存手法に関する一連のアブリケーションを示す。 グラフ構造からGNNが抽出した利益は、メッセージパッシングのために生じる困難によって上回っているという仮説により、Amorpheusも提案する。
  論文  参考訳（メタデータ） (2020-10-05T08:37:11Z)

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。