論文の概要: Collaborative Intelligence in Sequential Experiments: A Human-in-the-Loop Framework for Drug Discovery
- arxiv url: http://arxiv.org/abs/2405.03942v1
- Date: Tue, 7 May 2024 02:03:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-08 15:38:26.390007
- Title: Collaborative Intelligence in Sequential Experiments: A Human-in-the-Loop Framework for Drug Discovery
- Title（参考訳）: 連続実験における協調的インテリジェンス--創薬のための人間中心のフレームワーク
- Authors: Jinghai He, Cheng Hua, Yingfei Wang, Zeyu Zheng,
- Abstract要約: 本稿では,創薬のシーケンシャルな実験を行うためのHuman-in-the-loopフレームワークを提案する。
提案アルゴリズムは実験データを処理し、有望な分子と、その性能を人間の専門家に改善できる分子の両方を推奨する。
人間の専門家は、これらの推奨事項とドメインの専門知識に基づいて、最終的な意思決定権限を保持します。
- 参考スコア（独自算出の注目度）: 13.438499600701578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug discovery is a complex process that involves sequentially screening and examining a vast array of molecules to identify those with the target properties. This process, also referred to as sequential experimentation, faces challenges due to the vast search space, the rarity of target molecules, and constraints imposed by limited data and experimental budgets. To address these challenges, we introduce a human-in-the-loop framework for sequential experiments in drug discovery. This collaborative approach combines human expert knowledge with deep learning algorithms, enhancing the discovery of target molecules within a specified experimental budget. The proposed algorithm processes experimental data to recommend both promising molecules and those that could improve its performance to human experts. Human experts retain the final decision-making authority based on these recommendations and their domain expertise, including the ability to override algorithmic recommendations. We applied our method to drug discovery tasks using real-world data and found that it consistently outperforms all baseline methods, including those which rely solely on human or algorithmic input. This demonstrates the complementarity between human experts and the algorithm. Our results provide key insights into the levels of humans' domain knowledge, the importance of meta-knowledge, and effective work delegation strategies. Our findings suggest that such a framework can significantly accelerate the development of new vaccines and drugs by leveraging the best of both human and artificial intelligence.
- Abstract（参考訳）: 薬物発見は複雑なプロセスであり、標的となる性質を持つ分子を連続的にスクリーニングし、分析する。
このプロセスはシーケンシャルな実験とも呼ばれ、膨大な探索空間、標的分子の希少性、限られたデータと実験予算によって課される制約による課題に直面している。
これらの課題に対処するために,創薬のシーケンシャルな実験を行うためのHuman-in-the-loopフレームワークを提案する。
この協調的なアプローチは、人間の専門家の知識とディープラーニングアルゴリズムを組み合わせることで、特定の実験予算内で標的分子の発見を促進する。
提案アルゴリズムは実験データを処理し、有望な分子と、その性能を人間の専門家に改善できる分子の両方を推奨する。
人間の専門家は、これらのレコメンデーションと、アルゴリズムのレコメンデーションをオーバーライドする機能を含むドメインの専門知識に基づいて、最終的な意思決定権限を保持します。
実世界のデータを用いた薬物発見タスクに本手法を適用し,人間やアルゴリズムにのみ依存するものを含む,すべての基本手法を一貫して上回っていることを確認した。
これは、人間の専門家とアルゴリズムの相補性を示す。
その結果,人間のドメイン知識のレベル,メタ知識の重要性,効果的な作業委譲戦略に関する重要な知見が得られた。
これらの枠組みは,人的・人工知能の長所を生かして,新たなワクチンや医薬品の開発を著しく加速する可能性が示唆された。
関連論文リスト
- TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Collaborative Knowledge Infusion for Low-resource Stance Detection [83.88515573352795]
姿勢検出モデルを支援するために、ターゲット関連の知識がしばしば必要である。
低リソース姿勢検出タスクに対する協調的知識注入手法を提案する。
論文 参考訳（メタデータ） (2024-03-28T08:32:14Z) - Human Expertise in Algorithmic Prediction [16.104330706951004]
アルゴリズムの予測に人間の専門知識を取り入れるための新しい枠組みを導入する。
我々のアプローチは、人間による判断を用いて、どんな予測アルゴリズムにも「同じように見える」入力を区別することに焦点を当てている。
論文 参考訳（メタデータ） (2024-02-01T17:23:54Z) - Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。
本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
論文 参考訳（メタデータ） (2023-07-30T16:08:45Z) - Comprehensive evaluation of deep and graph learning on drug-drug
interactions prediction [43.5957881547028]
近年の人工知能(AI)や深層学習モデル、グラフ学習モデルは、生体医学的応用において有用性を確立している。
DDI(DDI)は、ある薬物が人体に別の薬物が存在することに対する効果の変化を指す。
高度なAIとディープラーニングを正しく適用するために、開発者とユーザは、データリソースの可用性やエンコーディングなど、さまざまな課題に直面する。
論文 参考訳（メタデータ） (2023-06-08T14:54:50Z) - Towards Unified AI Drug Discovery with Multiple Knowledge Modalities [5.232382666884214]
我々は,統合型,エンドツーエンド,マルチモーダルなディープラーニングフレームワークであるKEDDを提案する。
膨大なAI薬物発見タスクに対して、構造化知識と非構造化知識の両方を最適に組み込む。
我々のフレームワークは分子の深い理解を実現し、最先端の手法よりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-04-17T13:15:16Z) - BO-Muse: A human expert and AI teaming framework for accelerated
experimental design [58.61002520273518]
我々のアルゴリズムは、人間の専門家が実験プロセスでリードすることを可能にする。
我々のアルゴリズムは、AIや人間よりも高速に、サブ線形に収束することを示す。
論文 参考訳（メタデータ） (2023-03-03T02:56:05Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳（メタデータ） (2022-06-20T14:53:25Z) - PosePipe: Open-Source Human Pose Estimation Pipeline for Clinical
Research [0.0]
我々は臨床現場で取得したデータに対して最先端のアルゴリズムの実行を容易にする人間のポーズ推定パイプラインを開発する。
本研究の目的は,新しいアルゴリズムの訓練ではなく,臨床・翻訳研究における最先端のポーズ推定アルゴリズムの活用を推し進めることである。
論文 参考訳（メタデータ） (2022-03-16T17:54:37Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z)
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。