論文の概要: Explainable Artificial Intelligence for Drug Discovery and Development -- A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2309.12177v2
• Date: Thu, 2 Nov 2023 11:06:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 16:42:43.183379
• Title: Explainable Artificial Intelligence for Drug Discovery and Development -- A Comprehensive Survey
• Title（参考訳）: 創薬・開発のための説明可能な人工知能 -- 包括的調査
• Authors: Roohallah Alizadehsani, Solomon Sunday Oyelere, Sadiq Hussain, Rene Ripardo Calixto, Victor Hugo C. de Albuquerque, Mohamad Roshanzamir, Mohamed Rahouti, and Senthil Kumar Jagatheesaperumal
• Abstract要約: 薬物発見の分野は、人工知能(AI)と機械学習(ML)技術の出現とともに、顕著な変革を経験してきた。 これらのAIとMLモデルはますます複雑になりつつあるため、モデルの透明性と解釈可能性の必要性が高まっている。 XAIはこの問題に対処し、機械学習モデルによる予測をより解釈可能な理解を提供する新しいアプローチである。
• 参考スコア（独自算出の注目度）: 11.331107195122147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The field of drug discovery has experienced a remarkable transformation with the advent of artificial intelligence (AI) and machine learning (ML) technologies. However, as these AI and ML models are becoming more complex, there is a growing need for transparency and interpretability of the models. Explainable Artificial Intelligence (XAI) is a novel approach that addresses this issue and provides a more interpretable understanding of the predictions made by machine learning models. In recent years, there has been an increasing interest in the application of XAI techniques to drug discovery. This review article provides a comprehensive overview of the current state-of-the-art in XAI for drug discovery, including various XAI methods, their application in drug discovery, and the challenges and limitations of XAI techniques in drug discovery. The article also covers the application of XAI in drug discovery, including target identification, compound design, and toxicity prediction. Furthermore, the article suggests potential future research directions for the application of XAI in drug discovery. The aim of this review article is to provide a comprehensive understanding of the current state of XAI in drug discovery and its potential to transform the field.
• Abstract（参考訳）: 薬物発見の分野は、人工知能(AI)と機械学習(ML)技術の出現とともに、顕著な変革を経験してきた。 しかし、これらのAIとMLモデルはますます複雑になりつつあるため、モデルの透明性と解釈可能性の必要性が高まっている。 説明可能な人工知能(XAI)は、この問題に対処し、機械学習モデルによる予測をより解釈可能な理解を提供する新しいアプローチである。 近年,薬物発見へのXAI技術の応用への関心が高まっている。 本稿では、様々なxai法、それらの薬物発見への応用、薬物発見におけるxai技術の挑戦と限界を含む、薬物発見のためのxaiの現在の技術の概要を概観する。 論文では、ターゲット同定、複合設計、毒性予測など、薬物発見におけるXAIの適用についても取り上げている。 さらに,XAIの薬物発見への応用に向けた今後の研究方向性も示唆している。 本総論の目的は,薬物発見におけるxaiの現状と,その領域を変革する可能性に関する包括的理解を提供することである。

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)
• Explainable artificial intelligence for Healthcare applications using Random Forest Classifier with LIME and SHAP [0.0]
  ブラックボックスAI技術に隠された計算の詳細を理解する必要がある。 説明可能なAI(xAI)の起源は、これらの課題から生まれる。 この本は、いくつかのxAIフレームワークとメソッドの詳細な分析を提供する。
  論文  参考訳（メタデータ） (2023-11-09T11:43:10Z)
• Extracting human interpretable structure-property relationships in chemistry using XAI and large language models [0.4769602527256662]
  本稿では,XAI手法と大規模言語モデル(LLM)を統合したXpertAIフレームワークを提案する。 以上の結果から,XpertAI は LLM と XAI ツールの強みを組み合わせ,具体的な,科学的,解釈可能な説明を生成することが示唆された。
  論文  参考訳（メタデータ） (2023-11-07T15:02:32Z)
• A Review on Explainable Artificial Intelligence for Healthcare: Why, How, and When? [0.0]
  我々は、説明可能な人工知能(XAI)の体系的分析を行う。 このレビューでは、XAIの主流傾向を分析し、研究の方向性について概説する。 本稿では、医療分野におけるAIモデルの記述から信頼できるAIをどのように導き出すことができるかを説明する。
  論文  参考訳（メタデータ） (2023-04-10T17:40:21Z)
• The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies [97.5153823429076]
  この分野でのAIのメリット、課題、欠点についてレビューする。 データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
  論文  参考訳（メタデータ） (2022-12-08T23:23:39Z)
• Towards Human Cognition Level-based Experiment Design for Counterfactual Explanations (XAI) [68.8204255655161]
  XAI研究の重点は、より理解を深めるために、より実践的な説明アプローチに変わったようだ。 認知科学研究がXAIの進歩に大きく影響を与える可能性のある領域は、ユーザの知識とフィードバックを評価することである。 本研究では,異なる認知レベルの理解に基づく説明の生成と評価を実験する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-10-31T19:20:22Z)
• 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)
• A User-Centred Framework for Explainable Artificial Intelligence in Human-Robot Interaction [70.11080854486953]
  本稿では,XAIのソーシャル・インタラクティブな側面に着目したユーザ中心型フレームワークを提案する。 このフレームワークは、エキスパートでないユーザのために考えられた対話型XAIソリューションのための構造を提供することを目的としている。
  論文  参考訳（メタデータ） (2021-09-27T09:56:23Z)
• Artificial Intelligence in Drug Discovery: Applications and Techniques [33.59138543942538]
  仮想スクリーニングやドラッグデザインなど、さまざまなAI技術が幅広い用途で使用されている。 まず、薬物発見の概要を説明し、関連するアプリケーションについて議論し、2つの主要なタスクに還元することができる。 次に、一般的なデータリソース、分子表現、ベンチマークプラットフォームについて議論する。
  論文  参考訳（メタデータ） (2021-06-09T20:46:44Z)
• Explainability in Deep Reinforcement Learning [68.8204255655161]
  説明可能な強化学習(XRL)の実現に向けての最近の成果を概観する。 エージェントの振る舞いを正当化し、説明することが不可欠である重要な状況において、RLモデルのより良い説明可能性と解釈性は、まだブラックボックスと見なされているものの内部動作に関する科学的洞察を得るのに役立つ。
  論文  参考訳（メタデータ） (2020-08-15T10:11:42Z)

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。