文献

J-GLOBAL ID：202102215283766295   整理番号：21A1145692

COVID-19創薬のためのグラフニューラルネットワーク【JST・京大機械翻訳】

Graph Neural Networks for COVID-19 Drug Discovery

著者 (2件)： Cheung Mark (Carnegie Mellon University,Department of Electrical and Computer Engineering,Pittsburgh,USA) ,  Moura Jose M. F. (Carnegie Mellon University,Department of Electrical and Computer Engineering,Pittsburgh,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： Big Data  ページ： 5646-5648  発行年： 2020年 
JST資料番号： W2441A  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： 深層学習は,自然言語処理,コンピュータビジョン,および他のユークリッドデータドメインのような分野において大きな進歩をもたらした。しかし,多くの重要な分野は不規則なドメインで定義されたデータを持ち,グラフを明示的にモデル化する必要がある。そのような応用の一つは薬物発見である。最近,研究は,十分なデータを与えるグラフニューラルネットワーク(GNN)モデルを用いることが,潜在的抗生物質の分子特性の予測において,人間工学フィンガープリントまたは記述子の使用よりも良好に機能できることを見出した。SARS-CoV-2を阻害できる薬物に対する望ましい分子特性の予測に関する最新のAIモデルを検討した。著者らは,分子のトポロジーに触発された幾何学的深い学習における最近のブレークスルーからアイデアを持つGNNモデルを作成した。この後論文では,薬物発見フレームワーク,薬物標的相互作用フレームワーク,およびGNNの概要を示した。2つのCOVID-19関連データセットに関する予備的結果は有望であり,in vitroでSARS-CoV-2に対してスクリーニングしたFDA承認化学ライブラリーに対して0.72のROC-AUCを達成した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  相互作用 ,  人間工学 ,  *ニューラルネットワーク ,  抗生物質 ,  自然言語処理 ,  指紋 ,  コンピュータビジョン ,  in vitro実験
準シソーラス用語： 化合物ライブラリー ,  *創薬 ,  分子特性解析 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： COVID-19 ,  創薬 ,  グラフニューラルネットワーク