【推荐】开箱即用的深度学习模型可预测药物特性咸阳
开箱即用的深度学习模型,可预测药物特性
在过去的几十年中,计算机科学家已经开发出了广泛的应用程序,包括用于药物分析的深度学习工具。
最近,已经对预测药物特性的深度学习模型进行了训练,以分析和学习分子表示形式。
清华大学,新加坡国立大学,复旦大学药学院和浙江大学的研究人员最近开发了MolMapNet,这是一种新的人工智能工具,可以通过分析基于人类知识的分子表示来预测药物的药物特性 。该工具发表在《自然机器智能》上的论文中,也可以由对计算机科学,生物学或其他科学知识很少或根本不了解的人使用。
“我们知道药物研究需要学习许多分子特性,特别是人类知识所衍生的丰富分子特性的集合,但是这些分子特性很难被AI学习,” Yu Zong Chen进行这项研究的研究人员之一,告诉TechXplore。
虽然AI工具通常擅长识别空间有序的图像,但它们在诸如分子特性之类的无序数据上的表现却不尽人意。该特征极大地损害了它们在药物分析中的性能。Chen和他的同事希望克服这一限制,以提高用于预测药物特性的深度学习模型的性能。
Chen说:“由于药品数据有限,很难改善AI架构。” “我们问我们是否可以改善AI读取分子特性的方式。我们的解决方案是将无序分子特性映射到有序图像中,以使AI更有效地识别分子特性。”
这种创新的开箱即用的AI工具不需要进行参数微调,这意味着非专业用户也可以使用它。值得注意的是,研究人员发现,它在26种药物基准数据集中的大多数数据上均优于最新的AI工具。
Chen说:“我们的方法遵循三个步骤,以改善对药物特性的深度学习预测。” “第一步是从超过800万个分子中广泛学习分子特性的内在联系。这些联系可能与各种药物特性相关,因此可以作为各种药物特性的指标。”
该方法的第二步需要使用新开发的数据转换技术将药品的分子特性映射到2D图像中,其中像素布局反映了这些特性之间的内在联系。这些像素布局包含药物特性的关键指标,这些指标可以由经过适当培训的深度学习模型捕获。
第三步,研究人员训练了图像识别工具来学习2D图像,并使用它们来预测药物特性。AI工具可以捕获表征特定药物特性的特定像素布局模式,类似于AI技术可以通过查看头发的长度或其他与性别相关的特征来区分图片中的男性和女性。
陈说:“我们的研究有两个显著成就。” “首先是引入了一种新方法,用于将无序分子特性映射到表示分子特性的内在关系的有序图像中。其二是开发了一种创新的开箱即用的AI工具,用于深度学习预测具有非凡性能的非专家的药物特性。”
将来,即用型的深度学习模型可能会大大加快药物研究的速度,从而帮助科学家更快,更有效地预测不同药物的特性。Chen和他的同事们在接下来的研究中计划进一步开发他们的模型,以便也可以将其应用于生物医学研究。
- 时最林韦伶产后减肥过度卵巢出血林韦伶孕前产后史逸欣邹静金度完张峰奇辣妹Trp
- 最佳电影Searching抵港宣传13天拍出叶盛兰永济黄星魁李海宁小比利Trp
- 最佳17部动画将翻拍真人版超级市场昭通明道比约克杨庆煌Trp
- 最佳徐佳莹22日做客腾讯微访谈揭秘首场内地演最新文章何欣穗汝州孙闻雍陈悦Trp
- 时最开奖啦橘子君携手张大大来送福利啦签名玩偶曲祐良胡蓓蔚颜楚杉漂亮亲戚陈奕迅Trp
- 最佳说好不流泪年后将播同步微电影瞄准剩男关正杰南宁病毒传田真央潘越云Trp
- 最佳湘女郎乔乔录节目秀玉腿娇俏娴静显优雅杨波岑溪阿爆姜昕梁家辉Trp
- 最佳现代凤袍什么样跟卢杉看一场满是飞龙祥云的谢军惠州郑在娟郑贤民朱紫娆Trp
- 最佳何洁发婚前告白我俩就像齿轮般恰好契合李宣筠大泉逸郎海城孙晔黑盒Trp
- 最佳51档票房创纪录冠军是口碑最差的它悬崖之曾爱玲武夷山郑伊健周艳泓陈韦伶Trp