論文の概要: A Deep Neural Network -- Mechanistic Hybrid Model to Predict
Pharmacokinetics in Rat
- arxiv url: http://arxiv.org/abs/2310.09167v2
- Date: Tue, 2 Jan 2024 11:48:54 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 19:37:38.259292
- Title: A Deep Neural Network -- Mechanistic Hybrid Model to Predict
Pharmacokinetics in Rat
- Title(参考訳): ラットの薬物動態予測のためのディープニューラルネットワーク-機械ハイブリッドモデル
- Authors: Florian F\"uhrer, Andrea Gruber, Holger Diedam, Andreas H. G\"oller,
Stephan Menz, Sebastian Schneckener
- Abstract要約: 本研究では, 先に開発したハイブリッドモデルを改良する。
口腔全露出の中央値は2.85から2.35に減少し,静脈内投与は1.95から1.62に低下した。
純粋な機械学習モデルとは対照的に、我々のモデルはトレーニングされていない新しいエンドポイントを予測することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An important aspect in the development of small molecules as drugs or
agro-chemicals is their systemic availability after intravenous and oral
administration. The prediction of the systemic availability from the chemical
structure of a potential candidate is highly desirable, as it allows to focus
the drug or agrochemical development on compounds with a favorable kinetic
profile. However, such pre-dictions are challenging as the availability is the
result of the complex interplay between molecular properties, biology and
physiology and training data is rare. In this work we improve the hybrid model
developed earlier [1]. We reduce the median fold change error for the total
oral exposure from 2.85 to 2.35 and for intravenous administration from 1.95 to
1.62. This is achieved by training on a larger data set, improving the neural
network architecture as well as the parametrization of mechanistic model.
Further, we extend our approach to predict additional endpoints and to handle
different covariates, like sex and dosage form. In contrast to a pure machine
learning model, our model is able to predict new end points on which it has not
been trained. We demonstrate this feature by predicting the exposure over the
first 24h, while the model has only been trained on the total exposure.
- Abstract(参考訳): 薬物やアグロケミカルなどの小分子の開発における重要な側面は、静脈内および経口投与後の全身投与である。
候補候補の化学構造から体系的可用性を予測することは非常に望ましいものであり、薬物や農薬の発達を好適な運動プロファイルを持つ化合物に焦点を合わせることができる。
しかし, 分子特性, 生物学, 生理学, トレーニングデータとの複雑な相互作用の結果, 可用性は極めて困難である。
本研究では, 先行する [1] のハイブリッドモデルを改良する。
口腔全露出の中央値は2.85から2.35に減少し,静脈内投与は1.95から1.62に減少した。
これは、より大きなデータセットのトレーニング、ニューラルネットワークアーキテクチャの改善、および機械モデルのパラメータ化によって達成される。
さらに私たちは,新たなエンドポイントの予測や,セックスやドセージフォームなど,さまざまなコ変量を扱うためのアプローチを拡張しています。
純粋な機械学習モデルとは対照的に、我々のモデルはトレーニングされていない新しいエンドポイントを予測することができる。
最初の24時間で露光を予測することで,この特徴を実証する一方,モデルは全露光でのみ訓練されている。
関連論文リスト
- MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - SAF: Smart Aggregation Framework for Revealing Atoms Importance Rank and
Improving Prediction Rates in Drug Discovery [0.0]
分子を表現するための成功したアプローチは、それらをグラフとして扱い、グラフニューラルネットワークを利用することである。
本稿ではボルツマン分布を用いて各原子を非線形に重み付けする新しい凝集法を提案する。
この重み付けアグリゲーションを用いることで、抗生物質活性を予測するためのゴールド標準メッセージパスニューラルネットワークの能力が向上することを示す。
論文 参考訳(メタデータ) (2023-09-12T22:04:24Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳(メタデータ) (2023-06-02T15:49:45Z) - Denoise Pretraining on Nonequilibrium Molecules for Accurate and
Transferable Neural Potentials [8.048439531116367]
より正確で伝達可能なGNNポテンシャル予測を実現するために,非平衡分子配座の事前学習を提案する。
小分子で事前学習したモデルでは、顕著な伝達性を示し、多様な分子系で微調整された場合の性能が向上した。
論文 参考訳(メタデータ) (2023-03-03T21:15:22Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - From Static to Dynamic Structures: Improving Binding Affinity Prediction
with a Graph-Based Deep Learning Model [33.92165575735532]
タンパク質-リガンド結合親和性の正確な予測は、構造に基づく薬物設計において重要な課題である。
そこで我々は,3,218種類のタンパク質-リガンド複合体を含むMDデータセットをキュレートし,グラフに基づくディープラーニングモデルDynaformerを開発した。
ダイナフォーマーはMD軌道からタンパク質-リガンド相互作用の幾何学的特徴を学習することにより、結合親和性を正確に予測することができた。
論文 参考訳(メタデータ) (2022-08-19T14:55:12Z) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳(メタデータ) (2021-06-05T11:42:45Z) - Extracting Chemical-Protein Interactions via Calibrated Deep Neural
Network and Self-training [0.8376091455761261]
データ不確実性を推定し、信頼性を向上させるため、ディープラーニングモデルに"校正"技術が適用されている。
本研究では, 化学物質-タンパク質相互作用を抽出するために, 不確実性情報とキャリブレーション手法を取り入れたDNNベースの手法を提案する。
我々の手法は,従来の手法よりも高い校正能力を維持しつつ,Biocreative VI ChemProtタスクに関して最先端のパフォーマンスを実現している。
論文 参考訳(メタデータ) (2020-11-04T10:14:31Z) - Explainable Deep Relational Networks for Predicting Compound-Protein
Affinities and Contacts [80.69440684790925]
Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。
それは最先端技術に対する優れた解釈可能性を示している。
接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
論文 参考訳(メタデータ) (2019-12-29T00:14:07Z)
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。