論文の概要: Self-Supervised Learning Strategies for a Platform to Test the Toxicity of New Chemicals and Materials

• arxiv url: http://arxiv.org/abs/2510.07853v1
• Date: Thu, 09 Oct 2025 06:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.914975
• Title: Self-Supervised Learning Strategies for a Platform to Test the Toxicity of New Chemicals and Materials
• Title（参考訳）: 新しい化学物質・材料の毒性試験プラットフォームのための自己指導型学習戦略
• Authors: Thomas Lautenschlager, Nils Friederich, Angelo Jovin Yamachui Sitcheu, Katja Nau, Gaëlle Hayot, Thomas Dickmeis, Ralf Mikut,
• Abstract要約: 自己教師付き学習を通して学習した表現が、有害物質による変化を効果的に識別する方法を実証する。 分析の結果, 自己教師付き学習を用いた学習表現は, 異なる化合物の作用様式を効果的に区別するのに適していることがわかった。
• 参考スコア（独自算出の注目度）: 1.2197883665266451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-throughput toxicity testing offers a fast and cost-effective way to test large amounts of compounds. A key component for such systems is the automated evaluation via machine learning models. In this paper, we address critical challenges in this domain and demonstrate how representations learned via self-supervised learning can effectively identify toxicant-induced changes. We provide a proof-of-concept that utilizes the publicly available EmbryoNet dataset, which contains ten zebrafish embryo phenotypes elicited by various chemical compounds targeting different processes in early embryonic development. Our analysis shows that the learned representations using self-supervised learning are suitable for effectively distinguishing between the modes-of-action of different compounds. Finally, we discuss the integration of machine learning models in a physical toxicity testing device in the context of the TOXBOX project.
• Abstract（参考訳）: 高スループット毒性試験は、大量の化合物を高速かつコスト効率で試験する方法を提供する。 このようなシステムの主要なコンポーネントは、機械学習モデルによる自動評価である。 本稿では、この領域における重要な課題に対処し、自己教師付き学習を通して学習した表現が、有害物質による変化を効果的に識別する方法を実証する。 初期胚発生の異なるプロセスをターゲットにした様々な化学物質によって誘導される10種のゼブラフィッシュ胚表現型を含むEmbryoNetデータセットを用いた概念実証を提供する。 分析の結果, 自己教師付き学習を用いた学習表現は, 異なる化合物の作用様式を効果的に区別するのに適していることがわかった。 最後に,TOXBOXプロジェクトのコンテキストにおける物理毒性試験装置における機械学習モデルの統合について論じる。

関連論文リスト

• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• Causal integration of chemical structures improves representations of microscopy images for morphological profiling [25.027684911103897]
  そこで我々は, 化学化合物を細胞表現型の非現実的変換を誘導する処理としてモデル化する表現学習フレームワークMICONを紹介する。 化学物質情報を学習プロセスに組み込むことによって,評価設定の一貫性が向上することが実証された。 本研究は, 形態素プロファイリングにおける表現学習の新たな方向を示唆し, 顕微鏡スクリーニングデータのマルチモーダルな性質を明示的に考慮すべきであることを示唆した。
  論文  参考訳（メタデータ） (2025-04-13T12:27:21Z)
• Advancing Out-of-Distribution Detection via Local Neuroplasticity [60.53625435889467]
  本稿では,コルモゴロフ・アルノルドネットワーク(KAN)の局所神経可塑性特性を利用した新しいOOD検出法を提案する。 本手法は,トレーニング対象のカンの活性化パターンとトレーニング対象のOOD検出パターンを比較した。 画像および医用領域のベンチマークに対するアプローチを検証し、最先端技術と比較して優れた性能と堅牢性を示す。
  論文  参考訳（メタデータ） (2025-02-20T11:13:41Z)
• Intelligent Chemical Purification Technique Based on Machine Learning [5.023197681500998]
  本研究では, カラムクロマトグラフィーを用いた人工知能の革新的開発を行い, 不効率を解消し, 化学分離・浄化領域におけるデータの収集を標準化することを目的とする。 高精度なデータ取得と高度な機械学習アルゴリズムを用いた自動プラットフォームの開発により、キー分離パラメータを予測する予測モデルを構築した。 新規な計量である分離確率(S_p$)は、有効化合物分離の確率を定量化し、実験的な検証によって検証する。
  論文  参考訳（メタデータ） (2024-04-14T01:44:58Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Synthetic Image Rendering Solves Annotation Problem in Deep Learning Nanoparticle Segmentation [5.927116192179681]
  レンダリングソフトウェアを使用することで、リアルで合成されたトレーニングデータを生成して、最先端の深層ニューラルネットワークをトレーニングできることが示される。 有害な金属酸化物ナノ粒子アンサンブルに対する人為的アノテーションに匹敵するセグメンテーション精度を導出する。
  論文  参考訳（メタデータ） (2020-11-20T17:05:36Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。