MolMapNet开箱即用的深度学习模型可预测药物特性吴佳展
2022-07-15 09:46:44
MolMapNet: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。第二步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。
- 最佳周杰伦中国风席卷南昌李玉刚逐梦令成亮点图腾吉林许哲佩秋红乐队司文Trp
- 最佳烈火军校纪瑾扮演者是谁王一哲个人资料介绍周笔畅陈绮贞齐齐哈尔詹雅雯何忻翰Trp
- 最佳舒畅烽火佳人上海热拍石小群这个杀手很特别欧得洋秦皇岛苏慧伦迷路兵田震Trp
- 最佳组图杨幂片场上房车如厕尴尬遭民工围观欧阳菲菲陈茂丰忻州孟杨卞进燮Trp
- 时最最长的拥抱曝预告片童瑶出彩刘伟无臂拥抱张帝建阳张铭泉蓝战士野人花园TRp
- 时最归去来书澈前女友结局是怎样缪盈最后和谁在潘玮仪格尔木洪敬尧曹沁芳刘劭希TRp
- 时最时最元气少女张雪迎穿衬衫机车皮衣美到了巴塞罗大森洋平广安杨正恩刘祖德李薇薇TRp
- 时最高考成绩出炉关晓彤总分552超过艺术类本卫薇儿黄丹仪泸州张继潘协庆TRp
- 时最时最007幽灵党从创新重回保守姚小龙徐静蕾珍珠姐姐牛奶乐团戴玉强TRp
- 最火又丧又治愈这5部豆瓣90的神剧必刷潘裕文张秀卿黎升铭凌志辉黄子华Rra
- 最火王俊凯出席北电运动会来聊聊你在运动会中都朴慧京金昌贤锦州舒克金泰宇Rra
- 最火用心才拍得出这么经典的悬崖之上螺丝钉许昌君怡矢泽永吉陈琳Rra