Sep, 2017

Meta-QSAR: 应用元学习技术于药物设计和发现的大规模应用

PDF
TL;DR本文探究定量构效关系学习作为元学习的一个案例研究，研究了机器学习方法和算法选择对于药物开发的重要性，发现元学习方法比单个机器学习方法（例如随机森林）在药物开发中性能更好。
quantitative structure activity relationshipsmeta-learningmachine learning methodsalgorithm selectiondrug development
发现论文，激发创造
  • Uni-QSAR: 分子属性预测的自动化机器学习工具

    该论文提出了一个名为 Uni-QSAR 的深度学习自动机器学习工具，结合了分子表示学习和预训练模型，利用大规模无标签数据得到丰富的表示，优于 SOTA 并在药物发现领域具有实际用途。

    Apr, 2023

  • 用于 QSAR 预测的多任务神经网络

    本文使用神经网络预测复合物在多个实验中的活性，并发现神经网络方法优于其他方法。

    Jun, 2014

  • QSAR 拟合的一致性预测方法的开发与评估

    提出了针对最先进的机器学习模型，包括深度神经网络和梯度提升机的计算有效的 CP 算法，可在一些数据分布的弱前提下生成有效预测间隔，为 QSAR 建模提供了新的工具。

    Apr, 2023

  • QComp: 药物发现的基于 QSAR 的数据补全框架

    基于已有的 QSAR 模型，QComp 利用实验数据中固有的相关性，提高了各种任务的预测准确性，同时通过量化特定终点的统计不确定性的减少，为合理决策提供支持，从而成为引导药物发现过程中最佳实验顺序的有前途工具。

    May, 2024

  • 使用有针对性的干预进行活跃因果学习，解码化学复杂性

    基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

    Apr, 2024

  • 未来药物发现的实施：基于量子的机器学习模拟 (QMLS)

    通过结合机器学习分子生成、量子模拟和先导优化，我们提出了一种名为 QMLS 的概念，将整个药品研发过程缩短到三到六个月，并将开销降低到 5 万到 8 万美元。

    Aug, 2023

  • 自动关系元学习

    本篇论文提出一种基于知识库组织方式的自动关系元学习（ARML）框架，它可以从先前完成的任务中自动抽取跨任务关系并构建元知识图，通过学习的元知识图解决任务异质性的挑战，同时提高模型可解释性。

    Jan, 2020

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 基于元学习的自然语言转结构化查询

    本文提出一种基于元学习及相关性函数的 few-shot 元学习方法，将原先监督学习的每个样本视为一个独立的伪任务，经过实验验证，该方法在 WikiSQL 数据集上取得较好的成果。

    Mar, 2018

  • 使用具有不确定性感知的概率损失函数对 DNA 编码库计数数据进行机器学习

    本研究中使用回归方法和 Poisson 统计学建模 DEL 数据，计算药物的定量结构 - 活性关系并可视化学习的结果。

    Aug, 2021