Молекулярна фармацевтика, том 15, No 10

Вам потрібно увійти за допомогою свого ACS ID, перш ніж ви зможете увійти за допомогою свого акаунта Менделлі.

Увійти з ідентифікатором ACS

АБО ЦИТЕТИ ПОШУКУ

Ви ще не відвідували жодної статті. Будь ласка, відвідайте деякі статті, щоб переглянути вміст тут.
  • публікацій
  • моя активність
    • недавно переглянутий
  • користувацькі ресурси
    • Автори та рецензенти
    • Бібліотекарі та менеджери рахунків
    • Члени АСУ
    • попередження
    • RSS і мобільні
  • підтримка
    • Демонстрація та підручники веб-сайтів
    • Поширені запитання про підтримку
    • Чат в чаті з агентом
    • Для рекламодавців
    • Для бібліотекарів та менеджерів рахунків
  • сполучення
    • Підключіть пристрій до пари
    • Створити пару з цим пристроєм
    • Статус пари
  • Мій профільУвійтиВхідПарування пристроюПарування цього пристроюСпарений стан
  • про нас
    • Огляд
    • САУ та відкритий доступ
    • Партнери
    • Події
ВИДИ ЗМІСТУ

Усі типи

ТЕМИ

молекулярна

  • ПОПЕРЕДНЕ ВИПУСК
  • НАСТУПНЕ ВИПУСК
  • ПЕРЕГЛЯНУТИ ВСІ ПИТАННЯ
  • Якомога швидше
  • JAM
Про обкладинку:

Генеративні змагальні мережі та методи глибокого підкріплення поширюються у багатьох сферах фармацевтичних досліджень та розробок, навчання та збільшення людських здібностей.

У цьому випуску:
Глибоке навчання для розкриття наркотиків та розробки біомаркерів Редакція
Штучний інтелект для виявлення лікарських засобів, розробки біомаркерів та генерації нової хімії
Статті
Повторне призначення лікарських засобів за допомогою глибокого вбудовування профілів експресії генів
  • Йоні Доннер*,
  • Стефан Казмерчак*, і
  • Крістен Фортні*

Обчислювальне репозиціонування ліків вимагає оцінки функціональної подібності між сполуками. Тут ми повідомляємо про новий метод вимірювання функціональної подібності сполуки на основі даних про експресію генів. Цей підхід використовує переваги глибоких нейронних мереж, щоб вивчити вбудовування, яке суттєво позначає дані виразів, роблячи репліки тієї ж сполуки більш схожими. Наш метод використовує немарковані дані в тому сенсі, що вимагає лише маркування сполук за ідентичністю, а не детальної фармакологічної інформації, яка часто недоступна та дорога для отримання. Подібність у вивченому просторі вбудовування точно передбачала фармакологічну схожість, незважаючи на відсутність будь-яких таких міток під час навчання, і досягла суттєво покращених показників порівняно з попередніми показниками подібності, застосовуваними до вимірювань експресії генів. Наш метод міг ідентифікувати ліки із загальними терапевтичними та біологічними цілями, навіть коли сполуки були структурно несхожими, виявляючи тим самим раніше не повідомлявані функціональні взаємозв'язки між сполуками. Таким чином, наш підхід забезпечує вдосконалений механізм переназначення ліків на основі даних про експресію, який ми надали через Інтернет-інструмент DeepCodex (http://deepcodex.org).

Прогнозування мультирезистентного туберкульозу із легеневих зображень КТ на основі методів глибокого навчання
  • Сяохун В. Гао* і
  • Ю Цянь
Прогнозування інгібування цитохрому Р450 людини за допомогою нейтральної мережі багатозадачного глибокого автокодера
  • Сян Лі,
  • Юджун Сю,
  • Лухуа Лай, і
  • Цзяньфен Пей*
Порівняння та перевірка моделей машинного навчання для виявлення наркотиків мікобактерій туберкульозу
  • Томас Лейн,
  • Даніель П. Руссо,
  • Кімберлі М. Зорн,
  • Алекс М. Кларк,
  • Олександру Коротцову,
  • Валерій Ткаченко,
  • Роберт К. Рейнольдс,
  • Олександр Л. Перріман,
  • Джоель С. Фройндліх, і
  • Шон Екінс*
Порівняння кількох алгоритмів та показників машинного навчання для прогнозування зв’язку з рецепторами естрогену
  • Даніель П. Руссо,
  • Кімберлі М. Зорн,
  • Алекс М. Кларк,
  • Хао Чжу, і
  • Шон Екінс*
Геометричне глибоке навчання самостійно вивчає хімічні особливості, які перевершують ті, що розроблені експертами з доменів
  • Патрік Хоп*,
  • Брендон Олгуд*, і
  • Єссен Ю.*

Штучний інтелект прогресував безпрецедентними темпами, підтримуючи останні прориви в обробці природних мов, розпізнаванні мови та комп'ютерному зорі: домени, де дані мають евклідовий характер. Зовсім недавно було досягнуто значного прогресу в інженерних архітектурах глибокого навчання, які можуть приймати неевклідові дані, такі як графіки та різновиди: геометричне глибоке навчання. Цей прогрес представляє значний інтерес для спільноти дослідників наркотиків, оскільки молекули природно можуть бути представлені у вигляді графіків, де атоми є вузлами, а зв'язки - краями. У цій роботі ми досліджуємо ефективність геометричних методів глибокого навчання в контексті розкриття ліків, порівнюючи особливості машинного навчання та особливості, розроблені експертом доменної галузі, які є основними у фармацевтичній промисловості.