Model pembelajaran mendalam out-of-the-box untuk memprediksi properti farmasi
Computer

Model pembelajaran mendalam out-of-the-box untuk memprediksi properti farmasi


Alat MolMapNet AI yang inovatif dari para peneliti untuk prediksi pembelajaran mendalam tentang properti farmasi. Mulai dari sebuah molekul (kanan atas), sifat molekulnya (seperti komponen molekul di bawah molekul) diproyeksikan ke pelat 2D (pelat atas dari struktur pelat banyak) sebagai gambar, AI pengenal gambar (multi- struktur pelat) membaca piksel gambar untuk mengenali indikator sifat farmasi, kemudian memprediksi (dua lapisan lebah yang saling terhubung di bawah struktur pelat banyak) sifat farmasi (obat dan botol di kiri bawah). Kotak terbuka (kanan bawah) menunjukkan bahwa alat AI dapat digunakan oleh non-ahli di luar kotak. Kredit: Shen et al.

Selama beberapa dekade terakhir, ilmuwan komputer telah mengembangkan alat pembelajaran mendalam untuk berbagai aplikasi, termasuk untuk analisis obat-obatan farmasi. Baru-baru ini, model pembelajaran mendalam yang memprediksi sifat obat-obatan telah dilatih untuk menganalisis dan mempelajari representasi molekuler.

Para peneliti di Universitas Tsinghua, Universitas Nasional Singapura, Sekolah Farmasi Universitas Fudan, dan Universitas Zheijang baru-baru ini mengembangkan MolMapNet, alat kecerdasan buatan (AI) baru yang dapat memprediksi sifat farmasi obat dengan menganalisis representasi molekuler berbasis pengetahuan manusia. . Alat ini, disajikan dalam makalah yang diterbitkan di Kecerdasan Mesin Alam, juga dapat digunakan oleh orang yang memiliki sedikit atau tanpa pengetahuan tentang ilmu komputer, biologi, atau ilmu lainnya.

“Kami menyadari bahwa penyelidikan farmasi memerlukan pembelajaran dari banyak karakter molekuler, terutama kumpulan properti molekuler yang kaya (seperti volume) yang berasal dari pengetahuan manusia, tetapi properti molekuler ini sulit dipelajari oleh AI (kecerdasan buatan),” Yu Zong Chen , salah satu peneliti yang melakukan penelitian tersebut, kepada TechXplore.

Meskipun alat AI pada umumnya pandai mengenali gambar yang diurutkan secara spasial (misalnya, gambar objek), alat tersebut tidak berfungsi dengan baik pada data yang tidak diurutkan seperti properti molekuler. Karakteristik ini secara signifikan mengganggu kinerja mereka pada analisis obat-obatan. Chen dan rekannya ingin mengatasi keterbatasan ini untuk meningkatkan kinerja model pembelajaran mendalam untuk memprediksi sifat farmasi.

“Dengan data farmasi yang terbatas, sulit untuk meningkatkan arsitektur AI,” kata Chen. “Kami bertanya apakah kami dapat meningkatkan cara AI membaca properti molekuler. Solusi kami adalah memetakan properti molekuler tak beraturan menjadi gambar tersusun untuk AI agar lebih efisien mengenali properti molekuler.”

Alat AI out-of-the-box yang inovatif ini tidak memerlukan penyesuaian parameter, yang berarti alat ini juga dapat diakses oleh pengguna non-ahli. Hebatnya, para peneliti menemukan bahwa itu mengungguli alat AI mutakhir di sebagian besar dari 26 kumpulan data benchmark farmasi.

“Pendekatan kami mengikuti tiga langkah untuk meningkatkan prediksi pembelajaran mendalam tentang sifat farmasi,” kata Chen. “Langkah pertama adalah mempelajari secara luas hubungan intrinsik sifat molekuler dari lebih dari 8 juta molekul. Hubungan ini mungkin terkait dan dengan demikian menjadi indikator berbagai sifat farmasi.”

Langkah kedua dari pendekatan ini memerlukan penggunaan teknik transformasi data yang baru dikembangkan untuk memetakan sifat molekuler obat-obatan menjadi gambar 2D, di mana tata letak piksel mencerminkan hubungan intrinsik antara properti ini. Tata letak piksel ini berisi indikator penting dari properti farmasi yang dapat ditangkap oleh model pembelajaran mendalam yang terlatih secara memadai.

Sebagai langkah ketiga, para peneliti melatih alat pengenalan gambar untuk mempelajari gambar 2D dan menggunakannya untuk memprediksi properti farmasi. Alat AI dapat menangkap pola tata letak piksel tertentu yang mencirikan properti farmasi tertentu, mirip dengan bagaimana teknik AI dapat membedakan antara pria dan wanita dalam gambar dengan melihat panjang rambut atau fitur terkait gender lainnya.

“Ada dua pencapaian penting dari studi kami,” kata Chen. “Yang pertama adalah pengenalan metode baru untuk memetakan properti molekuler tak beraturan menjadi gambar berurutan yang menyajikan hubungan intrinsik properti molekuler. Yang kedua adalah pengembangan alat AI inovatif yang inovatif untuk prediksi pembelajaran mendalam dari properti farmasi oleh non-ahli dengan pertunjukan mutakhir. “

Di masa depan, model pembelajaran mendalam out-of-the-box dapat secara signifikan mempercepat penelitian farmasi, membantu para ilmuwan untuk memprediksi sifat obat yang berbeda lebih cepat dan lebih efisien. Dalam studi selanjutnya, Chen dan rekan-rekannya berencana untuk mengembangkan model mereka lebih jauh, sehingga dapat juga diterapkan pada studi biomedis.


Simulasi untuk membuat wawasan tentang transportasi elektrokinetik lebih andal


Informasi lebih lanjut:
Prediksi pembelajaran mendalam out-of-the-box dari properti farmasi dengan representasi molekuler berbasis pengetahuan yang dipelajari secara luas. Kecerdasan Mesin Alam(2021). DOI: 10.1038 / s42256-021-00301-6

© 2021 Science X Network

Kutipan: MolMapNet: Model pembelajaran mendalam out-of-the-box untuk memprediksi properti farmasi (2021, 30 Maret) diambil pada 30 Maret 2021 dari https://techxplore.com/news/2021-03-molmapnet-out-of-the -box-deep-pharmacy-properties.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten tersebut disediakan untuk tujuan informasi saja.




Halaman Ini Di Persembahkan Oleh : Pengeluaran HK