May, 2024

QComp: 药物发现的基于 QSAR 的数据补全框架

PDF
TL;DR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。
drug discoveryqsar modelsexperimental datadata completion frameworkrational decision-making
发现论文，激发创造
  • 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

  • Meta-QSAR: 应用元学习技术于药物设计和发现的大规模应用

    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。

    Sep, 2017

  • 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

  • 利用神经过程应对试验异质性，显著提高生物活性预测

    模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。

    Aug, 2023

  • 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

  • 无目标复合物活性预测：基于少样本学习

    设计了一种新颖的神经网络结构，以元学习大规模生物活性数据集上的连续化合物活性，并通过聚合已知化合物及其活性产生的编码来捕捉测定结果的信息。与传统的基于相似性的技术以及其他领先的少样本学习方法相比，FS-CAP 在各种无靶标药物发现设置和数据集上表现优异。

    Nov, 2023

  • 药物靶标相互作用的大型数据集整理和基准

    通过从多个公共数据源中创建和有效展示大规模数据集、基于不同有意义的策略将数据划分为训练、验证和测试集，并提供具体评估方案进行基准测试，本文提出了标准化已有数据资源的方法，并通过对现有神经网络模型的实验研究证明了其实用性和可行性。

    Jan, 2024

  • 通过图卷积网络生成分子

    本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法，解决了药物设计中如何确定哪些分子的哪些方面对其最终活性 / 性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。

    Jan, 2022

  • VQSynery：基于向量量化机制的稳健药物协同作用预测

    本研究提出了 VQSynergy 框架，利用向量量化（VQ）机制、门控残差和定制的注意机制来增强药物协同效应预测的精确性和泛化能力，结果表明 VQSynergy 在鲁棒性方面超过现有的模型，尤其是在高斯噪声条件下，强调其在药物协同研究的复杂和常常存在噪声的领域中具有卓越的性能和实用性，以此突出了 VQSynergy 在通过先进的预测能力为癌症治疗策略优化方面的潜力。

    Mar, 2024