小データ、大きな課題：データ制限のある創薬のための機械学習および深層学習戦略
Nazreen Pallikkavaliyaveetil1, Sriram Chandrasekaran2
1Department of Biomedical Engineering, University of Michigan, Ann Arbor, MI 48109, USA; Michigan Institute for Data & AI in Society (MIDAS), University of Michigan, Ann Arbor, MI 48109, USA.
Advanced drug delivery reviews
|December 20, 2025
まとめ
高品質な実験データの不足は、機械学習（ML）および深層学習（DL）を創薬において制限する小データ問題として知られています。このレビューでは、創薬および開発におけるデータ制限を克服するためのMLおよびDL戦略を検討します。
背景:
- 創薬および開発（DDD）パイプラインは、高品質な実験データの不足によって著しく妨げられています。これは、コスト、時間、および機密性のためによくある問題です。
- 標準的な機械学習（ML）および深層学習（DL）アルゴリズムは小規模データセットで苦労し、特徴抽出およびモデル一般化における課題につながります。
- 創薬におけるAIに関する既存のレビューでは、DDDパイプライン全体にわたる限定データによってもたらされる特定の課題が見過ごされがちです。
結論:
- 小データ問題に対処することは、創薬および開発におけるAIを進歩させるために不可欠です。
- タスク固有のアプリケーションと方法論的イノベーションを統合することが、堅牢で一般化可能なAIモデルを開発するための鍵となります。
- 将来の研究では、DDDにおける限定データを効果的に活用する、解釈可能で信頼性の高いAIソリューションの作成に焦点を当てるべきです。
さらに関連する動画
06:19Constructing and Visualizing Models using Mime-based Machine-learning Framework
Published on: July 22, 2025
2.2K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.6K
