文献

J-GLOBAL ID：202002268859690098   整理番号：20A1503361

エンドツーエンド半教師つきディープ創薬に向けたSeq3seqフィンガープリント【JST・京大機械翻訳】

Seq3seq Fingerprint Towards End-to-end Semi-supervised Deep Drug Discovery

著者 (6件)： Zhang Xiaoyu (University of Texas at Arlington, Arlington, TX, USA) ,  Wang Sheng (University of Texas at Arlington, Arlington, TX, USA) ,  Zhu Feiyun (University of Texas at Arlington, Arlington, TX, USA) ,  Xu Zheng (University of Texas at Arlington, Arlington, TX, USA) ,  Wang Yuhong (National Institute of Health, Rockville, MD, USA) ,  Huang Junzhou (University of Texas at Arlington, Arlington, TX, USA)
資料名： ACM Proceedings  (ACM Proceedings)
号： BCB ’18  ページ： 404-413  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深部学習における最近の進展を観察して,AIの採用は,ここ数年の薬物発見とカットR&Dコストを加速させることである。しかし,深層学習の成功は,一般的に薬物発見実践で利用できない大規模なクリーン高品質ラベル化データに起因する。本論文では,半教師つき学習方式でエンドツーエンド深層学習フレームワークを提案することにより,この問題に取り組んだ。言い換えれば,提案した深層学習アプローチはラベル付きおよびラベルなしデータの両方を利用することができる。ラベル付きデータは非常に限られたアベイラビリティであるが,利用可能なラベルなしデータの量は一般に巨大である。seq3seq指紋と名付けた提案フレームワークは,ラベルなしとラベル付き分子の両方の混合物を含む巨大な訓練データプールから教師なし方法で各分子の強い表現を自動的に学習する。一方,表現は,予測タスク,例えば,酸性度,アルカリ度または溶解度分類をさらに助けるために調整される。全体のフレームワークはエンドツーエンドに訓練され,表現と推論結果を同時に学習する。大規模な実験は,提案フレームワークの優位性を支持した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 溶解度 ,  学習 ,  酸性度 ,  画像処理 ,  アベイラビリティ ,  *エンドツーエンド方式 ,  *指紋
準シソーラス用語： 訓練データ ,  *創薬 ,  半教師つき学習 ,  深層学習 ,  ラベルなしデータ , 【Automatic Indexing@JST】

著者キーワード (11件)： 計算生物学 ,  深層学習 ,  薬物発見 ,  イメージング ,  学習表現 ,  分子表現 ,  半教師つき学習 ,  シーケンス学習へのシーケンス ,  構造化予測 ,  教師なし学習 ,  仮想スクリーニング

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： エンドツーエンド ,  教師 ,  創薬 ,  フィンガープリント