論文の概要: Hit Selection Using SSMD-Based Machine Learning Performance Metrics in High-Throughput Screening Assays

• arxiv url: http://arxiv.org/abs/2608.07609v1
• Date: Thu, 06 Aug 2026 20:33:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.45527
• Title: Hit Selection Using SSMD-Based Machine Learning Performance Metrics in High-Throughput Screening Assays
• Title（参考訳）: SSMDに基づく高速検診における機械学習性能指標を用いたヒット選択
• Abstract要約: 厳密な標準平均差(SSMD)から感度・特異性・地域分類指標を導出するモデルベースフレームワークを提案する。 サンプリングサイズとして 1 に近づく古典的な統計力とは異なり、群平均の真の非ゼロ差がどれほど小さいかは問わないが、SSMD 由来の感度は有限個の集団値に収束する。 C型肝炎ウイルスプライマリスクリーンで, 約22,000回の単回測定で本フレームワークの有用性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-throughput screening (HTS) assays are central to early-stage drug discovery but are often limited by extreme data sparsity, as primary screens typically use only a single replicate per test substance. This sparsity makes conventional machine-learning performance metrics, such as sensitivity, specificity, and area under the receiver operating characteristic curve (AUROC), difficult to estimate empirically because they require adequately sized labeled samples. Here, we introduce a model-based framework that derives these classification metrics from the strictly standardized mean difference (SSMD), a well-established HTS effect-size parameter. Under a Gaussian equal-variance assumption, we derive closed-form relationships linking SSMD to Youden-optimal sensitivity and specificity, and sensitivity at a preset specificity, yielding explicit estimators and exact confidence intervals from the noncentral t-distribution, even under single-replicate designs. Unlike classical statistical power, which approaches 1 as sample size grows regardless of how small the true non-zero difference between group means is, the SSMD-derived sensitivity converges to a finite population value that reflects the true degree of separation between two groups, making it a more meaningful and stable performance measure for hit selection. We demonstrate the utility of this framework in a hepatitis C virus primary siRNA screen comprising approximately 22,000 single-replicate measurements, showing that SSMD, AUROC, and sensitivity-based thresholds yield equivalent and interpretable hit sets. This work bridges classical HTS statistics and machine-learning evaluation theory, providing a statistically principled, reproducible way to estimate classification performance in ultra-low-replication screening workflows.
• Abstract（参考訳）: 高スループットスクリーニング(HTS)アッセイは、早期の薬物発見の中心であるが、通常、一次スクリーニングはテスト物質1つにつき1つの複製だけを使用するため、極端なデータ間隔によって制限されることが多い。 この空間性により、従来の機械学習のパフォーマンス指標、例えば感度、特異性、受信者操作特性曲線(AUROC)の下の領域は、適切なサイズのラベル付きサンプルを必要とするため、経験的に推定が難しい。 本稿では、厳密な標準平均差(SSMD)からこれらの分類基準を導出するモデルベースフレームワークを提案する。 ガウス的等分散仮定の下では、SSMDをユーデン-最適感度と特異性にリンクする閉形式関係を導出し、事前設定された特異性における感度を導出し、非中央のt分布から明示的な推定値と正確な信頼区間を導出する。 サンプリングサイズとして1に近づく古典的な統計力とは異なり、群平均の真の非ゼロ差がどれほど小さいかは問わないが、SSMD由来の感度は2つの群間の真の分離の程度を反映する有限な集団値に収束し、ヒット選択のより有意義で安定したパフォーマンス指標となる。 C型肝炎ウイルスプライマリsiRNAスクリーンにおいて,SSMD,AUROCおよび感度ベースの閾値が等価かつ解釈可能なヒットセットをもたらすことを示す。 この研究は古典的HTS統計学と機械学習評価理論を橋渡しし、超低レプリケーションスクリーニングワークフローにおける分類性能を推定する統計的に原理化された再現可能な方法を提供する。

関連論文リスト

• Towards Reliable AI-Based Histological Staining: A Systematic Study of Scaling and Uncertainty in Unpaired Generative Models [0.0]
  慢性肝疾患の長期予後の予測因子である肝線維症は,コラーゲン含量の組織学的検討から報告されている。 ヘマトキシリンとエオシン(H&E)染色は標準的な定量読み出し(コラーゲン領域、CPA)を生成するが、すべての臨床センターで取得されるわけではない。 AIベースの仮想染色は、H&Eから直接SRを生成することができるが、教師なしモデルの体系的なベンチマークは少ない。 我々は、新しくリリースされたH&EとSRマウスの肝データセット上の54のスケーリング構成に対して、6つの教師なしイメージ・ツー・イメージ・アーキテクチャ(GANおよび拡散ベース)をベンチマークした。
  論文  参考訳（メタデータ） (2026-08-25T14:41:57Z)
• Compared to What? Baselines and Metrics for Counterfactual Prompting [39.56472929066589]
  患者の性別を外科的に変化させると,MedQAの14.9%のフリップ率を予測する。 本稿では,目標介入下で観察される相違点と,パラフレーズ入力によって引き起こされる相違点を比較検討する枠組みを提案する。 一般モデル感度を考慮すると,これらの効果は大きく消散することがわかった。
  論文  参考訳（メタデータ） (2026-05-01T19:23:33Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Similarity-as-Evidence: Calibrating Overconfident VLMs for Interpretable and Label-Efficient Medical Active Learning [10.264467364282865]
  類似性証拠(SaE)は、類似性証拠ヘッド(SEH)を導入してテキスト画像の類似性を校正する SaEは、最先端のマクロ平均精度を、20%のラベル予算で、医療画像データセット上で82.57%の精度で達成している。
  論文  参考訳（メタデータ） (2026-02-21T15:21:54Z)
• Measuring Sample Quality with Copula Discrepancies [0.0]
  Copula Discrepancy (CD) は、依存構造に対する原理的かつ計算学的に効率的な診断である。 我々の理論的枠組みは、近似推論の時代に特化して設計された最初の構造認識診断を提供する。 計算オーバーヘッドのオーバヘッドは、既存のスタインの差よりも桁違いに低いため、CDはMCMC実践者にとって即時的な実用価値と、次世代の構造を意識したサンプル品質評価の理論的基礎の両方を提供する。
  論文  参考訳（メタデータ） (2025-07-29T02:11:45Z)
• A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification [13.993637404760355]
  ディープラーニングモデルは、皮膚がんの分類を自動化することを約束している。 しかし、データ不足と不確実性に対する認識が限られているため、課題は残る。 本研究では,HAM10000データセットを用いたDLベースの皮膚病変分類の包括的評価を行った。
  論文  参考訳（メタデータ） (2025-06-12T02:29:16Z)
• Detecting Adversarial Data by Probing Multiple Perturbations Using Expected Perturbation Score [62.54911162109439]
  逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。 本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。 EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
  論文  参考訳（メタデータ） (2023-05-25T13:14:58Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Deep Learning in current Neuroimaging: a multivariate approach with power and type I error control but arguable generalization ability [0.158310730488265]
  ディープラーニングアーキテクチャを用いた分類の統計的意義を推定する非パラメトリックフレームワークを提案する。 ラベル置換試験は, クロスバリデーション (CV) と上界補正 (RUB) を併用した再置換を検証法として提案した。 我々は, CV法とRUB法が有意レベルに近い偽陽性率と許容可能な統計的力を提供することを置換試験で発見した。
  論文  参考訳（メタデータ） (2021-03-30T21:15:39Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。