論文の概要: The Jungle of Generative Drug Discovery: Traps, Treasures, and Ways Out

• arxiv url: http://arxiv.org/abs/2501.05457v1
• Date: Tue, 24 Dec 2024 15:41:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-19 08:38:27.383071
• Title: The Jungle of Generative Drug Discovery: Traps, Treasures, and Ways Out
• Title（参考訳）: 創薬創薬のジャングル:足跡、宝物、そして道のり
• Authors: Rıza Özçelik, Francesca Grisoni,
• Abstract要約: 新たな$- textit critical$と$textitconstructive -$ view on de novo design evaluation。 広く使用されている評価指標を体系的に調査し、これまで見落とされた重要な落とし穴("traps")を明らかにする。 この結果から,生成的ディープラーニング手法によって提案されるデノボ設計を評価するための新しいレンズが提供されることが期待される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: "How to evaluate de novo designs proposed by a generative model?" Despite the transformative potential of generative deep learning in drug discovery, this seemingly simple question has no clear answer. The absence of standardized guidelines challenges both the benchmarking of generative approaches and the selection of molecules for prospective studies. In this work, we take a fresh $- \textit{critical}$ and $\textit{constructive} -$ perspective on de novo design evaluation. We systematically investigate widely used evaluation metrics and expose key pitfalls ('traps') that were previously overlooked. In addition, we identify tools ('treasures') and strategies ('ways out') to navigate the complex 'jungle' of generative drug discovery, and strengthen the connections between the molecular and deep learning fields along the way. Our systematic and large-scale results are expected to provide a new lens for evaluating the de novo designs proposed by generative deep learning approaches.
• Abstract（参考訳）: 「生成モデルにより提案されたデ・ノヴォ設計をどう評価するか」 薬物発見における生成的深層学習の変革の可能性にもかかわらず、この一見単純な質問には明確な答えがない。 標準化されたガイドラインの欠如は、生成的アプローチのベンチマークと、将来的な研究のための分子の選択の両方に挑戦する。 この作業では、新しい $- \textit{ critical}$ と $\textit{constructive} -$ view on de novo design evaluation を取ります。 広く使用されている評価指標を体系的に調査し、これまで見落とされた重要な落とし穴("traps")を明らかにする。 さらに、生成的薬物発見の複雑な「ジャングル」をナビゲートするツール("treasures")と戦略("ways out")を特定し、その過程で分子と深層学習領域の関連性を強化する。 提案したデノボ設計を総合的な深層学習手法により評価するための新しいレンズを,系統的かつ大規模に提供することが期待されている。

関連論文リスト

• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Docking-based generative approaches in the search for new drug candidates [2.407154340925365]
  ドッキングに基づく生成モデルのための新しい分類法を提案する。 ドッキングと組み合わされた生成プロトコルのさらなる発展に向けた最も有望な方向性について論じる。
  論文  参考訳（メタデータ） (2023-11-22T11:37:09Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)
• A Novel Memetic Strategy for Optimized Learning of Classification Trees [0.0]
  本稿では,数千点のデータセットを処理可能なメメカティックな手法を用いて,分類木を誘導するための新しい進化的アルゴリズムを提案する。 提案手法は,実現可能な解空間の探索と局所探索を組み合わせることで,最先端手法と競合する一般化能力を持つ構造を得る。
  論文  参考訳（メタデータ） (2023-05-13T16:29:10Z)
• Deep Learning Methods for Small Molecule Drug Discovery: A Survey [6.61864409597243]
  薬物発見における深層学習の様々な応用を概観する。 これには、分子生成、分子特性予測、レトロ合成予測、反応予測が含まれる。 創薬の課題を特定し,創薬における深層学習手法の今後の動向について論じる。
  論文  参考訳（メタデータ） (2023-03-01T08:16:38Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Molecule Generation for Drug Design: a Graph Learning Perspective [49.8071944694075]
  機械学習、特にグラフ学習は、さまざまな分野にまたがるトランスフォーメーションの影響で認知度が高まっている。 そのような有望な応用の1つは分子設計と発見の領域、特に製薬業界における。 本調査では,分子設計における最先端手法,特に深度グラフ学習技術を取り入れたEmphde novo薬物設計について概観する。
  論文  参考訳（メタデータ） (2022-02-18T14:26:23Z)
• A Survey on Deep Semi-supervised Learning [51.26862262550445]
  まず,既存の手法を分類した深層半指導学習の分類法を提案する。 次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
  論文  参考訳（メタデータ） (2021-02-28T16:22:58Z)
• A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
  我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。 本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。 我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
  論文  参考訳（メタデータ） (2020-09-24T14:47:54Z)
• A Systematic Assessment of Deep Learning Models for Molecule Generation [70.59828655929194]
  薬物発見のための生成モデル評価のための広範囲なテストベッドを提案する。 文献で提案した多くのモデルから得られた結果について述べる。
  論文  参考訳（メタデータ） (2020-08-20T19:13:31Z)
• Generative chemistry: drug discovery with deep learning generative models [0.0]
  本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。 ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
  論文  参考訳（メタデータ） (2020-08-20T14:38:21Z)

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。