論文の概要: A Comprehensive Guide to Enhancing Antibiotic Discovery Using Machine Learning Derived Bio-computation

• arxiv url: http://arxiv.org/abs/2411.06009v1
• Date: Fri, 08 Nov 2024 23:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:01.357494
• Title: A Comprehensive Guide to Enhancing Antibiotic Discovery Using Machine Learning Derived Bio-computation
• Title（参考訳）: 機械学習によるバイオコンピューティングによる抗生物質発見の促進に関する総合的ガイド
• Authors: Khartik Uppalapati, Eeshan Dandamudi, S. Nick Ice, Gaurav Chandra, Kirsten Bischof, Christian L. Lorson, Kamal Singh,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.7739316058960921
• License:
• Abstract: Traditional drug discovery is a long, expensive, and complex process. Advances in Artificial Intelligence (AI) and Machine Learning (ML) are beginning to change this narrative. Here, we provide a comprehensive overview of different AI and ML tools that can be used to streamline and accelerate the drug discovery process. By using data sets to train ML algorithms, it is possible to discover drugs or drug-like compounds relatively quickly, and efficiently. Additionally, we address limitations in AI-based drug discovery and development, including the scarcity of high-quality data to train AI models and ethical considerations. The growing impact of AI on the pharmaceutical industry is also highlighted. Finally, we discuss how AI and ML can expedite the discovery of new antibiotics to combat the problem of worldwide antimicrobial resistance (AMR).
• Abstract（参考訳）: 伝統的な薬物発見は、長くて高価で複雑なプロセスである。 人工知能(AI)と機械学習(ML)の進歩はこの物語を変え始めている。 ここでは、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ツールの概要を紹介する。 MLアルゴリズムのトレーニングにデータセットを使用することで、薬物や薬物のような化合物を比較的迅速かつ効率的に発見することができる。 さらに、AIベースの薬物発見と開発における制限に対処し、AIモデルをトレーニングするための高品質なデータの不足や倫理的考慮事項についても対処する。 AIが製薬業界に与える影響も強調されている。 最後に、AIとMLが新たな抗生物質の発見を迅速化し、世界規模の抗菌抵抗性(AMR)問題に対処する方法について論じる。

関連論文リスト

• 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)
• Explainable Artificial Intelligence for Drug Discovery and Development -- A Comprehensive Survey [11.331107195122147]
  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。
  論文  参考訳（メタデータ） (2023-09-21T15:36:06Z)
• Artificial Intelligence for Drug Discovery: Are We There Yet? [0.08306867559432653]
  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。
  論文  参考訳（メタデータ） (2023-07-13T01:51:26Z)
• 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)
• 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)
• Learning to Discover Medicines [21.744555824342264]
  強力なコンピューティング、大規模なバイオメディカルデータベース、そしてディープラーニングのブレークスルーによって、現代のAIが利用できることは、このループを壊そうとする新たな希望である。 本稿では,この課題を解決しようとするAI方法論の最近の進歩を概観する。 我々は、医薬品発見のためのAIの大規模かつ急速に成長する文献を、比較的安定した3つのサブエリアにまとめる。
  論文  参考訳（メタデータ） (2022-02-14T23:43:51Z)
• 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)
• 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)
• Pandemic Drugs at Pandemic Speed: Accelerating COVID-19 Drug Discovery with Hybrid Machine Learning- and Physics-based Simulations on High Performance Computers [36.11665744919561]
  既存の薬物発見プロセスは高価で非効率で遅い。 薬物発見を加速する新たな機会は、機械学習と物理学に基づく方法のインターフェースにある。 本稿では、薬物発見を加速する両アプローチを組み合わせた革新的な方法を提案する。
  論文  参考訳（メタデータ） (2021-03-04T05:43:18Z)
• Empowering Things with Intelligence: A Survey of the Progress, Challenges, and Opportunities in Artificial Intelligence of Things [98.10037444792444]
  AIがIoTをより速く、より賢く、よりグリーンで、より安全にするための力を与える方法を示します。 まず、認識、学習、推論、行動の4つの視点から、IoTのためのAI研究の進歩を示す。 最後に、私たちの世界を深く再形成する可能性が高いAIoTの有望な応用をいくつかまとめる。
  論文  参考訳（メタデータ） (2020-11-17T13:14:28Z)

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。