論文の概要: Predicting Quantifiability from Primary Screens to Prioritize Dose-Response Profiling

• arxiv url: http://arxiv.org/abs/2608.26538v1
• Date: Thu, 27 Aug 2026 02:18:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.216603
• Title: Predicting Quantifiability from Primary Screens to Prioritize Dose-Response Profiling
• Title（参考訳）: 線量応答プロファイリングの優先順位付けのための一次画面からの定量化可能性予測
• Authors: Sean Lim,
• Abstract要約: 本稿では,実測可能性のモデル化のためのフレームワークを提案する。 定量性は、以前の低価格スクリーンから強く予測可能であった。 定量化可能性を考慮したトリアージにより,コストの高い線量応答型プロファイリング能力の確保が期待できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: High-throughput drug screening relies on low-cost primary assays to prioritize compounds for more expensive dose-response profiling, where potency is ultimately quantified. Current screening strategies largely focus on identifying compounds that will confirm biological activity on follow-up, implicitly assuming that confirmed activity will also yield a usable potency estimate. However, confirmed biological activity in screening does not necessarily translate into a quantifiable potency, because active compounds can still fail to produce a reportable dose-response estimate. We therefore present a framework for modeling quantifiability, whether follow-up testing will yield a usable potency estimate, as a distinct triage objective from biological activity. Quantifiability was strongly predictable from the preceding low-cost screen, with most predictive information arising from the observed screening features rather than molecular structure. Response-based predictors remained robust on previously unseen chemical scaffolds and generalized across held-out assay-mechanism families, while the probability of successful quantification varied strongly with response amplitude and assay context. These findings establish experimental measurability, distinct from biological activity, as a predictable property of screening outcomes and show that quantifiability-aware triage can improve the allocation of costly dose-response profiling capacity.
• Abstract（参考訳）: 高スループットの薬物スクリーニングは、より高価な服用応答プロファイリングのために化合物を優先順位付けするために低コストの一次測定法に依存しており、最終的に有効性が定量化される。 現在のスクリーニング戦略は、フォローアップで生物活性を確認する化合物の同定に重点を置いている。 しかしながら、スクリーニングで確認された生物学的活性は、必ずしも定量的な有効性に変換されるわけではない。 そこで本研究では,生物活動と異なる三重化目標として,フォローアップテストが有効性評価をもたらすかどうかを定量的にモデル化する枠組みを提案する。 定量性は前回の低コストスクリーンから強く予測可能であり, 分子構造ではなく, 観察されたスクリーニング特徴から生じる予測情報が最も多かった。 応答に基づく予測器は、それまでは見つからなかった化学的足場上で頑健なままであり、保持されたアッセイ・メカニズムの家族間で一般化されたが、定量化が成功する確率は、応答振幅やアッセイの文脈とともに強く変化した。 これらの結果は, 生物活性と異なる実験的測定可能性を確立し, 定量化可能性を考慮したトリアージにより, 費用対効果の高いプロファイリング能力の確保が期待できることを示す。

関連論文リスト

• An Early Warning of Emerging Biosecurity Risks in Frontier LLMs [62.01705276160883]
  Intern-BioBreakerは、特殊な生体赤チームモデルであり、計算と物理を統合したフレームワークである。 このフレームワーク内では、Intern-BioBreakerがターゲットのjailbreakプロンプトを生成して、アライメントされたモデルを誘導して運用ガイダンスを提供することができるかどうかをテストする。 本評価では,テキストレベルの保護と,有能な科学モデルによるリスクとのギャップを明らかにする。
  論文  参考訳（メタデータ） (2026-07-20T15:26:23Z)
• Conditional Chemical Language Models are Versatile Tools in Drug Discovery [0.0]
  分子の優先順位を決定するための生物学的文脈を規定する化学モデリングフレームワークSAFE-Tを提案する。 仮想スクリーニング、ドラッグ・ターゲット相互作用予測、アクティビティ・崖検出などのタスク間で分子のスコアリングがサポートされている。 既存のアプローチに匹敵するパフォーマンスを継続的に達成します。
  論文  参考訳（メタデータ） (2025-07-14T13:42:39Z)
• Uncertainty Quantification Using Ensemble Learning and Monte Carlo Sampling for Performance Prediction and Monitoring in Cell Culture Processes [7.762212551172391]
  モノクローナル抗体 (mAbs) は、その特異性や有効性から、医薬品市場で注目されている。 機械学習モデルのmAb開発および製造への応用は勢いを増している。 本稿では,機械学習予測における不確実性定量化の必要性に対処する。
  論文  参考訳（メタデータ） (2024-09-03T09:38:32Z)
• SMILES-Mamba: Chemical Mamba Foundation Models for Drug ADMET Prediction [16.189335444981353]
  小分子の薬物の吸収、分布、代謝、排出、毒性を予測することは安全性と有効性を確保するために重要である。 本稿では,ラベル付きデータとラベル付きデータの両方を活用する2段階モデルを提案する。 その結果,SMILES-Mambaは22のADMETデータセットの競合性能を示し,14のタスクで最高スコアを達成した。
  論文  参考訳（メタデータ） (2024-08-11T04:53:12Z)
• Active learning for affinity prediction of antibodies [45.58662352490961]
  抗体のような大きな分子では、抗体親和性を高める突然変異を同定することは困難である。 FERB法は、異なる変異が薬物候補の有効性と選択性に与える影響について、貴重な洞察を与えることができる。 本稿では,評価を行うシミュレータのシーケンスを反復的に提案し,改良されたバインダーの探索を高速化する能動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-11T13:42:49Z)
• To Believe or Not to Believe Your LLM [51.2579827761899]
  大規模言語モデル(LLM)における不確実性定量化について検討する。 疫学的な不確実性が大きい場合にのみ確実に検出できる情報理論の指標を導出する。 定式化の利点を実証する一連の実験を行う。
  論文  参考訳（メタデータ） (2024-06-04T17:58:18Z)
• Embracing assay heterogeneity with neural processes for markedly improved bioactivity predictions [0.276240219662896]
  リガンドの生物活性を予測することは、コンピュータ支援薬物発見において最も困難かつ最も重要な課題の1つである。 長年のデータ収集とキュレーションの努力にもかかわらず、生物活性データは希少で不均一である。 異種アッセイ間の情報シナジーを利用した階層型メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-17T16:26:58Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• Low cost prediction of probability distributions of molecular properties for early virtual screening [0.8702432681310399]
  本稿では, 階層的相関再構築手法を適用し, 人口統計, 財務, 天文学的データの解析に応用した。 この手法は、望まれる物理化学的/ADMET特性の可能性が低い化合物の迅速な拒絶を可能にするため、医薬化学者にとって大きな支援となる。
  論文  参考訳（メタデータ） (2022-07-21T13:29:26Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。