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.

Reprezentări moleculare 3D bazate pe transformarea undelor pentru rețelele neuronale convoluționale
  • Denis Kuzminykh,
  • Daniil Polykovskiy,
  • Artur Kadurin,
  • Alexander Zhebrak,
  • Ivan Baskov,
  • Serghei Nikolenko,
  • Rim Shayakhmetov și
  • Alex Zhavoronkov*

Rețelele neuronale convoluționale (CNN) au fost utilizate cu succes pentru a trata datele tridimensionale și sunt o potrivire naturală pentru datele cu structură spațială, cum ar fi structurile moleculare 3D. Cu toate acestea, o reprezentare directă 3D a unei molecule cu atomi localizați la voxeli este prea rară, ceea ce duce la performanțe slabe ale CNN-urilor. În această lucrare, prezentăm o abordare nouă în care atomii sunt extinși pentru a umple alți voxeli din apropiere cu o transformare bazată pe transformarea undelor. Experimentând pe 4,5 milioane de molecule din baza de date Zinc, am arătat că reprezentarea noastră propusă conduce la o performanță mai bună a autoencoderelor bazate pe CNN decât reprezentarea pe bază de voxel sau neclaritatea atomilor Gauss utilizată anterior și apoi aplică cu succes noua reprezentare sarcinilor de clasificare precum predicția amprentei MACCS.

Prag adversar Neural Computer pentru Molecular de Novo Design
  • Evgeny Putin*,
  • Arip Asadulaev,
  • Quentin Vanhaelen,
  • Ian Ivanenkov,
  • Anastasia V. Aladinskaya,
  • Alex Aliper și
  • Alex Zhavoronkov*
Auto-codificator contradictoriu condiționat încurcat pentru descoperirea de droguri de Novo
  • Daniil Polykovskiy*,
  • Alexander Zhebrak,
  • Dmitry Vetrov,
  • Ian Ivanenkov,
  • Vladimir Aladinskiy,
  • Polina Mamoshina,
  • Marine Bozdaganyan,
  • Alexander Aliper,
  • Alex Zhavoronkov și
  • Artur Kadurin

Abordările de calcul moderne și tehnicile de învățare automată accelerează inventarea de noi medicamente. Modelele generative pot descoperi structuri moleculare noi în câteva ore, în timp ce conductele convenționale de descoperire a medicamentelor necesită luni de muncă. În acest articol, propunem o nouă arhitectură generativă, autoencoder adversar condiționat încurcat, care generează structuri moleculare bazate pe diferite proprietăți, cum ar fi activitatea împotriva unei proteine ​​specifice, solubilitatea sau ușurința sintezei. Aplicăm modelul propus pentru a genera un nou inhibitor al Janus kinazei 3, implicat în artrita reumatoidă, psoriazis și vitiligo. Molecula descoperită a fost testată in vitro și a prezentat o activitate și o selectivitate bune.

Descoperire compusă bazată pe prototip folosind modele generative profunde
  • Shahar Harel* și
  • Kira Radinsky*

Proiectarea unui medicament nou este un proces lung și costisitor. Deoarece spațiul moleculelor potențiale este foarte mare (Polishchuk, PG; Madzhidov, TI; Varnek, A. Estimarea dimensiunii spațiului chimic asemănător unui medicament pe baza datelor GDB-17. J. Comput.-Aided Mol. Des. 2013, 27, 675-679 10.1007/s10822-013-9672-4), o tehnică obișnuită în timpul descoperirii medicamentului este de a începe de la o moleculă care are deja unele dintre proprietățile dorite. O echipă interdisciplinară de oameni de știință generează o ipoteză cu privire la modificările necesare ale prototipului. În această lucrare, dezvoltăm o abordare fără supraveghere de învățare profundă, care generează automat potențiale molecule de medicament, având în vedere un prototip de medicament. Arătăm că moleculele generate de sistem sunt molecule valide și semnificativ diferite de prototipul medicamentului. Din compușii generați de sistem, am identificat 35 de medicamente cunoscute aprobate de FDA. De exemplu, sistemul nostru a generat izoniazidă, unul dintre principalele medicamente pentru tuberculoză. Sugerăm mai multe funcții de clasificare pentru moleculele generate și prezentăm rezultatele că primele zece molecule generate pe prototip de medicament conținute în experimentele noastre retrospective 23 de medicamente cunoscute aprobate de FDA.

Utilizarea a 111 lactozide hexavalente pentru estimarea rezervei hepatice la rozătoare cu fibroză hepatică indusă de tioacetamidă
  • Mei-Hui Wang*,
  • Chuan-Yi Chien,
  • Hung-Man Yu,
  • Ping-Yen Wang și
  • Wuu-Jyh Lin*
Studiu preclinic al unui anticorp anti-PD-L1 complet uman ca agent termanostic pentru imunoterapia cancerului
  • Mengxin Xu,
  • Yuxiang Han,
  • Guizhong Liu,
  • Yang Xu,
  • Dongban Duan,
  • Hui Liu,
  • Felix Du,
  • Peter Luo și
  • Zhibo Liu*
Explorarea captării Patch-ului lui Peyer ca strategie pentru livrarea țintită a plămânilor de nanoparticule polimerice de rifampicină
  • Sagar S. Bachhav,
  • Vikas D. Dighe și
  • Padma V. Devarajan*
Interacțiunea Saponin Aescin cu Ibuprofen în membranele model DMPC
  • Ramsia Sreij,
  • Sylvain Prevost,
  • Carina Dargel,
  • Rajeev Dattani,
  • Yvonne Hertle,
  • Oliver Wrede și
  • Thomas Hellweg*
Estimarea cantitativă a efectului funcției mucociliare nazale asupra absorbției in vivo a Norfloxacinei după administrarea intranazală la șobolani
  • Daisuke Inoue,
  • Shunsuke Kimura,
  • Akiko Kiriyama,
  • Hidemasa Katsumi,
  • Akira Yamamoto,
  • Ken-ichi Ogawara,
  • Kazutaka Higaki,
  • Akiko Tanaka,
  • Reiko Yutani,
  • Toshiyasu Sakane și
  • Tomoyuki Furubayashi*