関連する実験動画
Updated: Feb 23, 2026
Predictive Immune Modeling of Solid Tumors
Published on: February 25, 2020
DNAでコードされたライブラリのための一般化可能な予測モデルに向けて
Vasanthanathan Poongavanam1, S Pauliina Turunen2, Kristian Sandberg2
1Drug Discovery and Development Platform, Science for Life Laboratory, Department of Medicinal Chemistry, BMC, Uppsala University, Box 574, SE-751 23 Uppsala, Sweden.
DNAでコードされたライブラリ (DEL) と機械学習 (ML) は,薬物の発見を加速しますが,課題に直面しています. このレビューでは,騒々しいデータやモデルオーバーフィッティングの問題を強調し,より堅牢な化学宇宙探査のための解決策を提案しています.
科学分野:
- ドラッグ・ディスカバリー・ドリッグ・ディスカバリー・ドリッグ・ディスカバリー・ドリッグ・ディスカバリー
- コンピューティング・ケミストリー
- バイオテクノロジー バイオテクノロジー
背景:
- 機械学習 (ML) と組み合わせたDNAエンコードライブラリ (DEL) は,薬剤発見におけるヒット識別のための強力なアプローチを提供します.
- DELsからのシーケンシングデータは騒々しく偏りがあり,特定の化学ライブラリにオーバーフィットするMLモデルにつながります.
研究 の 目的:
- ヒット識別のためのDEL-MLの能力と限界を批判的に評価する.
- オーロラキナーゼA (AURKA) の親近性選択データを用いて,DEL-MLにおける課題を図解する.
- 堅牢なDEL-MLモデルを構築するための戦略を提案する.
主な方法:
- 既存の DEL-ML 方法論のレビュー.
- オーロラキナーゼA (AURKA) DELの親近性選択データの分析.
- デノイジング戦略とドメイン適応技術の評価.
主要な成果:
- 標準的なMLモデルは,図書館特有の構造的制約のために,新しい化学空間に一般化することがしばしば失敗します.
- 騒々しく偏ったシーケンシングデータは,DEL-MLモデルのパフォーマンスに重大な影響を及ぼします.
- 組み合わせライブラリの特定の構造的制約は,モデルの一般化を制限します.
結論:
- 効果的なDEL-MLのために,厳格な否認戦略は不可欠です.
- ドメイン・アダプテーションのようなテクニックは,限界を軽減し,モデルの強度を改善するのに役立ちます.
- 多様な化学空間を効果的に探求できるDEL-MLモデルを開発するためのロードマップが提案されています.
さらに関連する動画
11:35Screening for Functional Non-coding Genetic Variants Using Electrophoretic Mobility Shift Assay EMSA and DNA-affinity Precipitation Assay DAPA
Published on: August 21, 2016
13:26Automated Gel Size Selection to Improve the Quality of Next-generation Sequencing Libraries Prepared from Environmental Water Samples
Published on: April 17, 2015
