論文の概要: BSL: A Unified and Generalizable Multitask Learning Platform for Virtual Drug Discovery from Design to Synthesis

• arxiv url: http://arxiv.org/abs/2508.01195v1
• Date: Sat, 02 Aug 2025 04:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.750335
• Title: BSL: A Unified and Generalizable Multitask Learning Platform for Virtual Drug Discovery from Design to Synthesis
• Title（参考訳）: BSL: 設計から合成まで、仮想薬物発見のための統一的で一般化可能なマルチタスク学習プラットフォーム
• Authors: Kun Li, Zhennan Wu, Yida Xiong, Hongzhi Zhang, Longtao Hu, Zhonglie Liu, Junqi Zeng, Wenjie Wu, Mukun Chen, Jiameng Chen, Wenbin Hu,
• Abstract要約: そこで我々は,仮想薬物発見のためのディープラーニングによるオープンアクセスプラットフォームであるBailaisheng (BSL)を提案する。 BSLは7つのコアタスクを統一的でモジュール化されたフレームワークに統合し、生成モデルやグラフニューラルネットワークといった高度な技術を取り入れている。 BSLは、現実世界の医薬品研究にアルゴリズムの革新と高精度の予測の両方を提供している。
• 参考スコア（独自算出の注目度）: 12.52676269708914
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug discovery is of great social significance in safeguarding human health, prolonging life, and addressing the challenges of major diseases. In recent years, artificial intelligence has demonstrated remarkable advantages in key tasks across bioinformatics and pharmacology, owing to its efficient data processing and data representation capabilities. However, most existing computational platforms cover only a subset of core tasks, leading to fragmented workflows and low efficiency. In addition, they often lack algorithmic innovation and show poor generalization to out-of-distribution (OOD) data, which greatly hinders the progress of drug discovery. To address these limitations, we propose Baishenglai (BSL), a deep learning-enhanced, open-access platform designed for virtual drug discovery. BSL integrates seven core tasks within a unified and modular framework, incorporating advanced technologies such as generative models and graph neural networks. In addition to achieving state-of-the-art (SOTA) performance on multiple benchmark datasets, the platform emphasizes evaluation mechanisms that focus on generalization to OOD molecular structures. Comparative experiments with existing platforms and baseline methods demonstrate that BSL provides a comprehensive, scalable, and effective solution for virtual drug discovery, offering both algorithmic innovation and high-precision prediction for real-world pharmaceutical research. In addition, BSL demonstrated its practical utility by discovering novel modulators of the GluN1/GluN3A NMDA receptor, successfully identifying three compounds with clear bioactivity in in-vitro electrophysiological assays. These results highlight BSL as a promising and comprehensive platform for accelerating biomedical research and drug discovery. The platform is accessible at https://www.baishenglai.net.
• Abstract（参考訳）: 薬物発見は、人間の健康を守り、寿命を延ばし、主要な疾患の課題に対処する上で、大きな社会的重要性を持つ。 近年、人工知能はバイオインフォマティクスや薬理学にまたがる重要なタスクにおいて、その効率的なデータ処理とデータ表現能力のために顕著な優位性を示している。 しかし、既存の計算プラットフォームのほとんどは、コアタスクのサブセットのみをカバーしており、断片化されたワークフローと低効率に繋がる。 さらに、アルゴリズムの革新が欠如し、アウト・オブ・ディストリビューション(OOD)データへの一般化が乏しく、薬物発見の進行を著しく妨げていることもしばしばある。 これらの制約に対処するために,仮想薬物発見用に設計されたディープラーニングにより拡張されたオープンアクセスプラットフォームであるBaishenglai (BSL)を提案する。 BSLは7つのコアタスクを統一的でモジュール化されたフレームワークに統合し、生成モデルやグラフニューラルネットワークといった高度な技術を取り入れている。 複数のベンチマークデータセット上でのSOTA(State-of-the-art)のパフォーマンスを達成することに加えて、OOD分子構造への一般化に焦点を当てた評価メカニズムを強調している。 既存のプラットフォームとベースライン法との比較実験により、BSLは、アルゴリズムの革新と現実世界の医薬品研究の高精度予測の両方を提供する、包括的でスケーラブルで効果的な仮想薬物発見ソリューションを提供することを示した。 さらに、BSLは、GluN1/GluN3A NMDA受容体の新規修飾体を発見し、生体内電気生理学的測定において明確な生体活性を有する3つの化合物を同定し、その実用性を実証した。 これらの結果は、バイオメディカル研究と薬物発見を加速するための、有望かつ包括的なプラットフォームとして、BSLを強調している。 プラットフォームはhttps://www.baishenglai.net.comでアクセスできる。

関連論文リスト

• VitaGraph: Building a Knowledge Graph for Biologically Relevant Learning Tasks [8.962235896860294]
  複数の公開データセットの統合と精錬によって構築された包括的生物学的知識グラフを提案する。 得られたリソースは、計算生物学と精密医療の研究を進めるための最先端のプラットフォームとして機能する、一貫性があり信頼性の高い生物学的知識グラフである。
  論文  参考訳（メタデータ） (2025-05-16T12:43:04Z)
• AI-Powered Prediction of Nanoparticle Pharmacokinetics: A Multi-View Learning Approach [5.912585771981805]
  既存のAI駆動アプローチは、AI駆動の予測に依存しているが、NPプロパティについて学ばない。 この研究は、データ効率のよいAI駆動の薬物発見と精密ナノメディシンの基礎を築いた。
  論文  参考訳（メタデータ） (2025-03-18T01:09:32Z)
• 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)
• ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
  研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。 まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。 次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
  論文  参考訳（メタデータ） (2023-11-01T14:44:01Z)
• Machine Learning for Uncovering Biological Insights in Spatial Transcriptomics Data [0.0]
  マルチセルシステムの開発とホメオスタシスは、空間分子パターンの形成と維持に精巧な制御を必要とする。 空間転写学(ST)の進歩は、革新的な機械学習(ML)ツールの急速な開発につながっている。 MLが対応できる主要なST分析目標と現在の分析トレンドを要約する。
  論文  参考訳（メタデータ） (2023-03-29T14:22:08Z)
• Interpretability from a new lens: Integrating Stratification and Domain knowledge for Biomedical Applications [0.0]
  本稿では, バイオメディカル問題データセットの k-fold cross-validation (CV) への階層化のための新しい計算手法を提案する。 このアプローチはモデルの安定性を改善し、信頼を確立し、トレーニングされたIMLモデルによって生成された結果の説明を提供する。
  論文  参考訳（メタデータ） (2023-03-15T12:02:02Z)
• Knowledge-augmented Graph Machine Learning for Drug Discovery: A Survey [6.288056740658763]
  グラフ機械学習(GML)は、グラフ構造化バイオメディカルデータをモデル化する優れた能力で注目されている。 近年の研究では、より正確で解釈可能な薬物発見を実現するために、外部のバイオメディカル知識をGMLパイプラインに統合することを提案した。
  論文  参考訳（メタデータ） (2023-02-16T12:38:01Z)
• 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)
• 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)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)

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。