综述:药物发现中的机器学习

2023-05-26 0 812

不经意,人工智慧早已慢慢延展到了各个应用领域领域,微生物制药应用领域领域也不值得一提。

源自印度 B V Raju 理工学院的科学研究相关人员刊登概要, 探讨了抗生素辨认出中的机器学习,概括归纳了应用领域于微生物科技应用领域领域的各式各样类型机器学习控制技术,并表示当前该应用领域领域产业发展的症结,和今后产业发展路径。

该概要以「Machine Learning in Drug Discovery: A Review」为题,于 2021 年 8 月 11 日正式发布在《Artificial Intelligence Review》周刊。

综述:药物发现中的机器学习

人工智慧基本概念与很多应用领域领域息息相关,如建模、数理逻辑、语言学、机器学习和模糊不清数学模型、数学数学模型等为数众多流程,泛称为「排序智能」。对微生物科技金融行业来说,机器学习方式的采用将抹杀现代的抗生素辨认出操作过程。

综述:药物发现中的机器学习

库尔:采用机器学习展开抗生素辨认出的各个应用领域领域。

人工智慧已应用领域于抗生素结构设计的各式各样各方面,如抗生素-蛋白交互作用预估、抗生素药效的辨认出、保证安全性微生物科砂藓。

抗生素结构设计应用领域

抗生素结构设计控制技术倚赖如前所述不同 ML 算法开发的数据库。机器学习算法在抗生素辨认出操作过程中的精确训练、验证和应用领域,简化复杂的协议,早已取得了不少成果。大多数抗生素结构设计操作过程中都引入了 ML 控制技术,以减少时间成本和人工干预。

综述:药物发现中的机器学习

蛋白与蛋白交互作用的预估

蛋白-蛋白交互作用 (PPI) 是主要的微生物学现象之一,身体(细胞)的基本单位通过它传输信号、离子、底物和能量产生成分。这些信号、离子、底物和能量产生成分可以改善身体所需的药理反应。另外,PPI 在疾病的发病机制中起着至关重要的作用。

近年来,如前所述 PPI 的抗生素辨认出计划在实验上产生了一种有希望的药理物质。然而,PPI 实验预估的时间和成本被认为是限速障碍。在这各方面,不同的数据库托管了以 PPI 为框架的 Web 服务器,以加速抗生素化学科学研究。

综述:药物发现中的机器学习

库尔:采用 AI 数学模型说明抗生素辨认出结构设计控制技术和主题。

Hit辨认出

抗生素再利用的特点是「为目前处于存在阶段的抗生素」寻找新的适应症,它减少了抗生素辨认出的时间和危险情况。DeepDTnet 算法被认为比 NetLapRLS 和 KBMF2K 方式和朴素贝叶斯、SVM、KNN 和随机森林算法更具优势。

虚拟筛选是在抗生素辨认出操作过程中采用的一种 AI 策略,用于定位小分子以区分抗生素靶标的结合结构。

分子对接控制技术的高吞吐量虚拟筛选和评分

目标识别之后,通常采用虚拟筛选 (HTVS) 和分子对接控制技术, 以了解蛋白/受体的活性位点。另一种基本方式,是如前所述配体的虚拟筛选(LBVS),该方式倚赖化学数据库的物理化学特性。

综述:药物发现中的机器学习

库尔:分子对接取样和评分 fowchart 的基本概述。

命中领先

QSAR 分析用于先导优化操作过程,通过预估微生物活性类似物从命中类似物中寻找潜在的先导化合物。主要用于数学基本概念,科学研究物理化学或结构对象和微生物活动的定量映射。

综述:药物发现中的机器学习

De novo 抗生素架构通过调整或平衡目标利益来推进独特的化学结构。采用 De novo 模型从头开始引入新分子。深度学习数学模型可以利用强大的知识和生成能力,引入具有适当属性的新结构。

综述:药物发现中的机器学习

先导优化

先导优化的主要目的是通过最小的结构修改来消除现有活性类似物的副作用影响。机器学习可用于科学研究先导优化,如化学和物理特性、吸收、分布、代谢和排泄、毒性和 ADME/T 。

用于抗生素辨认出电子资源中的 ML

综述:药物发现中的机器学习

库尔:抗生素辨认出平台电子资源中的机器学习。

泛检测干扰筛查中的 ML (PAINS) 可以根据要求从 PAINS 数据库访问泛检测信息。 从 Pubchem 库和筛选分析中编译出来的 Hit Dexter 2.0,可用于了解新结构设计化合物的微生物学特性。

抗生素代谢物和代谢位点预估中的 ML 在进入临床实验之前,确定抗生素或新化学实体的代谢部位是非常必要的。 抗生素代谢的预估可以通过动物数学模型(临床前科学研究)来完成,这是一个限制效率的步骤,而且成本高昂。 利用机器学习数学模型可以解决这一问题,早已可以用于预估新陈代谢的工具有 ADMET预估器、FAME3、GLORY/GLORYx 等。

皮肤敏感参数预估中的 ML 皮肤敏感性的预估是评估新药/化合物安全性参数的基本标准之一。 在这各方面,如前所述随机森林的 MACCS(RF_MACCS)和如前所述支持向量机(SVM)的 PaDEL(SVM_PaDEL)算法等 AI 数学模型早已训练了大约 1400 个与局部淋巴结检测(LLNA)信息相关的配体。

天然产品标识中的 ML 用 265,000 个天然产物分离物和经 MCC 验证的合成文库训练的 ML,被用作基本预估数学模型 NP Scout 在线服务器,将揭示新辨认出的药

抗生素辨认出问题

目标验证

由于数据驱动的目标识别实验的数量倍增,因此将 ML 方式用于目标识别是绝佳选择。在目标识别各方面,确认疾病和目标之间的因果关系是第一步。通过采用 ML 方式,可以对目标的已知属性、因果关系、驱动目标展开预估。ML 控制技术可以从不同角度应用领域于目标识别应用领域领域。

预估微生物科砂藓

采用 ML 方式,通过区分抗生素和了解合理患者的抗生素机制,从而辨认出微生物科砂藓,进而提高临床试验性能。在临床试验的最后阶段,往往要消耗大量的时间和成本。为了战胜这一问题,有必要在临床试验的早期阶段应用领域、构建和验证预估数学模型。采用 ML 算法可预估临床前数据分类中的转化微生物科砂藓。

数字病理学

数字病理学基础理论的快速改进,可以更合理、更精确、高通量的辨认出新的微生物科砂藓,从而缩短抗生素开发时间,患者也可以更快获得治疗。在应用领域深度学习数学模型之前,很多与图像分析相关的算法促使排序机学者与病理学家合作。为了对组织层展开分类,很多排序机科学家需要在排序机中手工制作图形特征。多尺度 CNN 数学模型则非常适用于数字病理学工作。

挑战

抗生素辨认出中存在很多挑战,大多数挑战可以通过采用机器学习控制技术来解决。

在训练期间有几个参数和结构会导致 ML 策略产生问题。特别是在训练期间数据不足的情况下,特定的算法不能满足精度和局部最优。

透明度问题是抗生素辨认出的另一个挑战。在不同分类数学模型中的决策规则是不清楚的。在抗生素开发中,机器学习数学模型需要理解多种机制来解释结果,并且需要多个组合特征来提高对可解释性的信任度 。

可以从很多参考文献中访问集成数据,尤其是「组学」区域。

同质数据会产生集成挑战。

在微生物科技公司,科学研究从巨大的分子延展到个体,并且通常倚赖异构数据的整合;这些数据需要在不同的背景和规模下维持其自身,这本书就是一项挑战。

结论和今后路径

结论

人工智慧控制技术正广泛应用领域于微生物制药金融行业。在医学科学中,人工智慧控制技术使排序机辅助抗生素开发应用领域领域向前迈进了一步。尽管如此,一些问题仍然存在,即

深度学习方式的性能可以直接影响数据挖掘的创新,因为多个深度数学数学模型在大量数据上得到有效训练。主要目的是解决迁移学习的自动问题。

「黑盒」数学模型在深度学习基本概念中变得混乱。Local Interpretable Model-Explanations(LIME)是反事实调查的一个例子。LIME 被用来解锁黑盒数学模型。在这里,必须通过深度学习数学模型来解释受限数据。然而,通过深度学习控制技术揭示数据仅在初始阶段发挥作用。

很多参数在数学数学模型的训练期间展开了调整,但一些理论和实践框架无法优化这些数学模型。

今后路径

网络创新与医学科学相结合,以提高决策和深度学习算法的预估能力,包括微生物科砂藓、疗法的副作用、治药效果。人工智慧需要协调化学信息、组学数据和医学数据等理论结果,从而实现创新。今后,期待 AI 控制技术覆盖微生物制药科学的方各方面面。

相关文章

发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务