Molecular Pharmaceutics Vol 15, No 10

Trebuie să vă conectați cu ID-ul ACS înainte de a vă putea conecta cu contul dvs. Mendeley.

Conectați-vă cu ACS ID

SAU CITĂRI DE CĂUTARE

Nu ați vizitat încă niciun articol, vă rugăm să vizitați câteva articole pentru a vedea conținutul aici.
  • publicații
  • activitatea mea
    • vizualizate recent
  • resursele utilizatorului
    • Autori și recenzori
    • Bibliotecari și manageri de conturi
    • Membri ACS
    • Alerte electronice
    • RSS și mobil
  • a sustine
    • Demonstrații și tutoriale pentru site-uri web
    • Întrebări frecvente despre asistență
    • Chat live cu agent
    • Pentru agenții de publicitate
    • Pentru bibliotecari și manageri de conturi
  • împerechere
    • Asociați un dispozitiv
    • Asociați acest dispozitiv
    • Stare asociată
  • Profilul meu Autentificare Deconectare Asociați un dispozitiv Asociați acest dispozitiv Asociați starea
  • despre noi
    • Prezentare generală
    • ACS și acces deschis
    • Parteneri
    • Evenimente
TIPURI DE CONȚINUT

Toate tipurile

SUBIECTE

învățare profundă

  • NUMĂR ANTERIOR
  • URMATORUL NUMĂR
  • VEZI TOATE PROBLEMELE
  • ASAPs
  • JAM-uri
Despre copertă:

Rețelele contradictorii generative și tehnicile de învățare de consolidare profundă se propagă în numeroasele domenii ale cercetării și dezvoltării farmaceutice, învățând și sporind abilitățile umane.

În această problemă:
Învățare profundă pentru descoperirea drogurilor și editorialul de dezvoltare a biomarkerilor
Inteligență artificială pentru descoperirea drogurilor, dezvoltarea biomarkerilor și generarea de chimii noi
Articole
Redirecționarea medicamentelor utilizând încorporări profunde ale profilurilor de expresie genetică
  • Yoni Donner*,
  • Stéphane Kazmierczak*, și
  • Kristen Fortney*

Repoziționarea computerizată a medicamentelor necesită evaluarea similitudinilor funcționale dintre compuși. Aici, raportăm o nouă metodă de măsurare a similitudinii funcționale a compusului pe baza datelor de expresie genetică. Această abordare profită de rețelele neuronale profunde pentru a învăța o încorporare care denotă substanțial datele de expresie, făcând replicile aceluiași compus mai asemănătoare. Metoda noastră folosește date neetichetate în sensul că necesită etichetarea compușilor doar prin identitate, mai degrabă decât informații farmacologice detaliate, care sunt adesea indisponibile și costisitoare de obținut. Similitudinea în spațiul de încorporare învățat a prezis cu exactitate asemănările farmacologice, în ciuda lipsei unor astfel de etichete în timpul antrenamentului și a obținut performanțe substanțial îmbunătățite în comparație cu măsurile de similaritate anterioare aplicate măsurătorilor expresiei genelor. Metoda noastră ar putea identifica medicamente cu ținte terapeutice și biologice comune, chiar și atunci când compușii erau diferiți din punct de vedere structural, relevând astfel relații funcționale nedeclarate anterior între compuși. Astfel, abordarea noastră oferă un motor îmbunătățit pentru reutilizarea medicamentelor pe baza datelor de expresie, pe care le-am pus la dispoziție prin intermediul instrumentului online DeepCodex (http://deepcodex.org).

Predicția TB multirezistentă din imagini pulmonare CT pe baza tehnicilor de învățare profundă
  • Xiaohong W. Gao* și
  • Yu Qian
Predicția privind inhibarea citocromului uman P450 folosind o rețea neuronală de autocoder profund multitasking
  • Xiang Li,
  • Youjun Xu,
  • Luhua Lai și
  • Jianfeng Pei*
Compararea și validarea modelelor de învățare automată pentru descoperirea medicamentelor Mycobacterium tuberculosis
  • Thomas Lane,
  • Daniel P. Russo,
  • Kimberley M. Zorn,
  • Alex M. Clark,
  • Alexandru Korotcov,
  • Valery Tkachenko,
  • Robert C. Reynolds,
  • Alexander L. Perryman,
  • Joel S. Freundlich și
  • Sean Ekins*
Compararea mai multor algoritmi de învățare automată și metrică pentru predicția de legare a receptorilor de estrogen
  • Daniel P. Russo,
  • Kimberley M. Zorn,
  • Alex M. Clark,
  • Hao Zhu și
  • Sean Ekins*
Învățarea profundă geometrică învață autonom caracteristici chimice care îi depășesc pe cele create de experții din domeniu
  • Patrick Hop*,
  • Brandon Allgood*, și
  • Jessen Yu*

Inteligența artificială a avansat într-un ritm fără precedent, susținând descoperiri recente în procesarea limbajului natural, recunoașterea vorbirii și viziunea pe computer: domenii în care datele sunt de natură euclidiană. Mai recent, s-au făcut progrese considerabile în arhitecții de învățare profundă care pot accepta date neeuclidiene, cum ar fi grafice și varietăți: învățare profundă geometrică. Acest progres prezintă un interes considerabil pentru comunitatea de descoperire a medicamentelor, deoarece moleculele pot fi reprezentate în mod natural ca grafice, în care atomii sunt noduri și legăturile sunt muchii. În această lucrare, explorăm performanța metodelor geometrice de învățare profundă în contextul descoperirii medicamentelor, comparând caracteristicile învățate de la mașină cu caracteristicile proiectate de experți în domeniu, care sunt principale în industria farmaceutică.