Search research articles

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Videos de Conceptos Relacionados

Blind Procedures

Blind Procedures

Ideally, the people who observe and record the children’s behavior are unaware of who was assigned to the experimental or control group, in order to control for experimenter bias. Experimenter bias refers to the possibility that a researcher’s expectations might skew the results of the study. Remember, conducting an experiment requires a lot of planning, and the people involved in the research project have a vested interest in supporting their hypotheses. If the observers knew which...

Blinding

Blinding

Blinding is a commonly used method of not telling participants which treatment a subject is receiving. Blinding is a critical part of a randomized control trial or RCT. It reduces the bias that affects the results. In an RCT, blinding is used in the form of a placebo. A placebo effect occurs when untreated subjects falsely believe they have received the treatment and report improved symptoms. A placebo or a dummy treatment is administered to subjects to negate the bias caused by such an effect.

Mean free path and Mean free time

Mean free path and Mean free time

Consider the gas molecules in a cylinder. They move in a random motion as they collide with each other and change speed and direction. The average of all the path lengths between collisions is known as the "mean free path."

Path Between Thermodynamics States

Path Between Thermodynamics States

Consider the two thermodynamic processes involving an ideal gas that are represented by paths AC and ABC in Figure 1:

Interference: Path Lengths

Interference: Path Lengths

Consider two sources of sound, that may or may not be in phase, emitting waves at a single frequency, and consider the frequencies to be the same.
Two special sources may be considered when they are in phase. This can be easily achieved by feeding the two sources from the same source. An example would be synchronizing the two speakers by feeding them with the same source, such as the sound waves produced by a tuning fork. This setup ensures that the two sources have the same frequency and are...

Predicting Molecular Geometry

Predicting Molecular Geometry

VSEPR Theory for Determination of Electron Pair Geometries

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por

Same author

Linking biochemical and cellular efficacy of MERS coronavirus main protease inhibitors.

ACS pharmacology & translational science·2026

Same author

Deep mutational scanning reveals pharmacologically relevant insights into TYK2 signaling and disease.

eLife·2026

Same author

Mapping the avoid-ome: a systematic open-science approach to predictive ADMET.

Nature communications·2026

Same author

Large-Scale Collaborative Assessment of Binding Free Energy Calculations for Drug Discovery Using OpenFE.

Journal of chemical information and modeling·2026

Same author

Inhibiting the interaction between the mitochondrial receptor Tom70 and SARS CoV 2 Orf9b with small molecules.

bioRxiv : the preprint server for biology·2026

Same author

Ribosomal RNA methylation by GidB modulates discrimination of mischarged tRNA.

bioRxiv : the preprint server for biology·2026

Search research articles

Video Experimental Relacionado

Updated: Feb 8, 2026

Blind Endotracheal Intubation in Neonatal Rabbits

Blind Endotracheal Intubation in Neonatal Rabbits

Published on: February 26, 2021

Los desafíos ciegos nos permiten ver el camino a seguir para los modelos predictivos

John D Chodera¹, W Patrick Walters², Sriram Kosuri³

¹Computational and Systems Biology Program, Sloan Kettering Institute, Memorial Sloan Kettering Cancer Center, New York, New York 10065, United States.

Journal of chemical information and modeling

|February 6, 2026

Resumen

Este resumen es generado por máquina.

Los modelos de inteligencia artificial y aprendizaje automático prometen acelerar el descubrimiento de fármacos. Los desafíos ciegos son esenciales para evaluar con precisión el rendimiento predictivo y superar las barreras de precisión en el diseño computacional de fármacos.

Palabras clave:

descubrimiento de fármacos aprendizaje automático inteligencia artificial modelos predictivos desafíos ciegos rendimiento predictivo optimización multiparamétrica diseño de fármacos asistido por computadora

Más Videos Relacionados

Development of an Audio-based Virtual Gaming Environment to Assist with Navigation Skills in the Blind

Development of an Audio-based Virtual Gaming Environment to Assist with Navigation Skills in the Blind

Published on: March 27, 2013

Predictive Immune Modeling of Solid Tumors

Predictive Immune Modeling of Solid Tumors

Published on: February 25, 2020

Videos de Experimentos Relacionados

Last Updated: Feb 8, 2026

Blind Endotracheal Intubation in Neonatal Rabbits

Blind Endotracheal Intubation in Neonatal Rabbits

Published on: February 26, 2021

Development of an Audio-based Virtual Gaming Environment to Assist with Navigation Skills in the Blind

Development of an Audio-based Virtual Gaming Environment to Assist with Navigation Skills in the Blind

Published on: March 27, 2013

Predictive Immune Modeling of Solid Tumors

Predictive Immune Modeling of Solid Tumors

Published on: February 25, 2020

Área de la Ciencia:

Química computacional
Informática del descubrimiento de fármacos
Inteligencia artificial en medicina

Sus antecedentes:

Los modelos de IA/ML están avanzando rápidamente en el descubrimiento de fármacos, pero su precisión predictiva a menudo se exagera.
Se utilizan diversas representaciones moleculares para predicciones dirigidas (estructurales) y no dirigidas/ADMET (implícitas).
Las pruebas comparativas retrospectivas existentes pueden no reflejar con precisión el éxito predictivo en el mundo real.

Objetivo del estudio:

Abordar la necesidad de una evaluación realista del rendimiento de los modelos de IA/ML en el descubrimiento de fármacos.
Destacar las limitaciones de los métodos de evaluación comparativa actuales para la predicción de propiedades moleculares.
Enfatizar la importancia de las comparaciones prospectivas y estandarizadas.

Principales métodos:

Se analiza el papel de las pruebas comparativas retrospectivas y sus limitaciones.
Se destaca la importancia de los desafíos ciegos (por ejemplo, el Desafío OpenADMET × ASAP × PolarisHub).
Se enfatiza la necesidad de comparaciones prospectivas y estandarizadas de modelos predictivos.

Principales resultados:

Las pruebas comparativas retrospectivas pueden ser engañosas con respecto al rendimiento del modelo.
Los desafíos ciegos ofrecen una evaluación más realista de las capacidades predictivas.
Las iniciativas lideradas por la comunidad y los datos abiertos son cruciales para el progreso.

Conclusiones:

Las evaluaciones prospectivas y estandarizadas son vitales para validar los modelos de IA/ML en el descubrimiento de fármacos.
Los desafíos ciegos son clave para identificar y superar las barreras de precisión.
La inversión continua en datos y desafíos comunitarios acelerará el descubrimiento de fármacos impulsado por la IA.