論文の概要: SPADE: Faster Drug Discovery by Learning from Sparse Data

• arxiv url: http://arxiv.org/abs/2605.05370v1
• Date: Wed, 06 May 2026 18:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.382181
• Title: SPADE: Faster Drug Discovery by Learning from Sparse Data
• Title（参考訳）: SPADE: スパースデータから学習した薬物発見の高速化
• Abstract要約: 提案アルゴリズムであるSPADEでは,10個の高品質な候補を見つけるために,平均40個のテストしか必要としない発見選択手法を提案する。 ワン・ヴォソン比較では、SPADEはより多くのタンパク質の深層学習と最適化方法より優れている。
• 参考スコア（独自算出の注目度）: 20.123900193650382
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug discovery seeks molecules (ligands) that bind strongly and selectively to a target protein. However, fewer than 5% of candidate ligands pass the bar for even the early stages of drug discovery. Furthermore, we want methods that work for novel proteins for which we have no prior data. Starting from scratch, we have to iteratively select and test candidate ligands such that we find enough ligands of the desired quality in as few tests as possible. Our proposed algorithm, named SPADE, introduces a novel approach to ligand selection that requires only 40 tests on average to find 10 high-quality ligands. In one-vs-one comparisons, SPADE outperforms deep learning and Bayesian optimization methods on more proteins, achieving median improvements of 7%-32% in sample efficiency. SPADE is also 10x faster than its closest competitor at scoring candidate drugs. Dataset and code is available at https://anonymous.4open.science/r/SPADE_Fast_Drug_Discovery_by_Learning_from_Sparse_Data-F028/README .md
• Abstract（参考訳）: 薬物発見は、標的タンパク質に強く選択的に結合する分子(配位子)を探す。 しかし、薬物発見の初期段階においても、候補リガンドの5%未満がバーを通過している。 さらに、先行データを持たない新規なタンパク質に対して機能する手法が望まれる。 ゼロから始めると、候補リガンドを反復的に選択してテストし、必要な品質のリガンドをできるだけ少ないテストで見つけなければなりません。 提案アルゴリズムはSPADEと呼ばれ,10個の高品質なリガンドを見つけるために,平均40個のテストしか必要としない新しいリガンド選択手法を提案する。 1-vs-oneの比較では、SPADEはより多くのタンパク質に対してディープラーニングとベイズ最適化法を上回り、サンプル効率の7%-32%の中央値の改善を達成している。 SPADEはまた、最も近い競合相手である候補薬の10倍高速である。 Dataset and code are available at https://anonymous.4open.science/r/SPADE_Fast_Drug_Discovery_by_Learning_from_Sparse_Data-F028/README .md

関連論文リスト

• How Low Can You Go? The Data-Light SE Challenge [4.282746516699565]
  ソフトウェアエンジニアリング(SE)の研究の多くは、進歩は大量のデータセットとCPU集約に依存すると仮定している。 本稿では、ソフトウェア構成とパフォーマンスチューニング、クラウドとシステム最適化、プロジェクトとプロセスレベルの意思決定モデリング、行動分析、金融リスクモデリング、プロジェクトヘルス予測、強化学習タスク、セールス予測、ソフトウェアテストなど、他の方法も提案する。 我々の結果によると、いくつかのSEタスクは、ラベルが少なく、計算量がはるかに少ない軽量なアプローチによってよりうまく機能する可能性がある。
  論文  参考訳（メタデータ） (2025-12-15T16:49:50Z)
• Preferential Multi-Objective Bayesian Optimization for Drug Discovery [13.740630847478453]
  CheapVSは、ペアワイズ比較による薬物特性間のトレードオフに関する好みを提供する。 EGFRとRDD2をターゲットにした100Kの化学候補のライブラリでは、CheapVSは限られた計算予算内での薬物の同定において最先端のスクリーニング方法より優れている。
  論文  参考訳（メタデータ） (2025-03-21T04:27:06Z)
• FoMo-0D: A Foundation Model for Zero-shot Tabular Outlier Detection [24.40438381282677]
  FoMo-0Dは、表データの0/0ショットODのための事前訓練されたファンデーションモデルである。 パラメータを微調整することなく、テストサンプルの(より低い/より低い)ラベルを直接予測できる。 57の実世界のデータセットに対する実験は、FoMo-0Dが非常に競争力があることを示している。
  論文  参考訳（メタデータ） (2024-09-09T14:41:24Z)
• Fragment-Masked Diffusion for Molecular Optimization [71.13210858056527]
  表現型薬物発見(PDD)に基づくフラグメントマインド分子最適化法を提案する。 PDDに基づく分子最適化は、表現型活性を最適化しながら潜在的な安全性リスクを低減し、臨床成功の可能性を高める。 総合的な実験により、シリカ内最適化の成功率は95.4%に達し、平均効率は7.5%上昇した。
  論文  参考訳（メタデータ） (2024-08-17T06:00:58Z)
• Drug Discovery SMILES-to-Pharmacokinetics Diffusion Models with Deep Molecular Understanding [1.4952056744888913]
  ImagandはSMILES-to-Pharmacokinetic (S2PK)拡散モデルである。 SMILES入力で条件付けられたPKターゲットプロパティの配列を生成する。 Imagandはデータの重複を解消するための有望なソリューションだ。
  論文  参考訳（メタデータ） (2024-08-14T16:01:02Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• UNICON: Combating Label Noise Through Uniform Selection and Contrastive Learning [89.56465237941013]
  UNICONは,高ラベル雑音に対して頑健な,シンプルで効果的なサンプル選択法である。 90%のノイズレートでCIFAR100データセットの最先端データよりも11.4%改善した。
  論文  参考訳（メタデータ） (2022-03-28T07:36:36Z)
• 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)
• Bloom Origami Assays: Practical Group Testing [90.2899558237778]
  グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。 近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。 我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
  論文  参考訳（メタデータ） (2020-07-21T19:31:41Z)
• No Regret Sample Selection with Noisy Labels [0.0]
  複数の雑音ラベル付きデータセットに対する実験結果から,サンプル選択戦略がDNNトレーニングに有効であることが示された。 提案手法は, 計算コストを著しく低減しつつ, 最先端手法のベストあるいは2番目に高い性能を実現する。
  論文  参考訳（メタデータ） (2020-03-06T13:17:35Z)
• Machine learning on DNA-encoded libraries: A new paradigm for hit-finding [4.473676566828977]
  DEL選択データに機械学習を適用した新しい手法を示す。 DEL選択データのみを使用してモデルをトレーニングし、自動または自動化可能なフィルタを適用します。 アプローチは有効であり、全体としては30本のテキストミューMで sim30% のヒット率と各ターゲットに対する強力な化合物(IC50 10 nM)の発見である。
  論文  参考訳（メタデータ） (2020-01-31T19:31:23Z)

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。