计算毒理学的联合学习:对Effiris黑客马拉松的工业视角
Davide Bassani1, Alessandro Brigo1, Andrea Andrews-Morger1
1Pharmaceutical Research & Early Development, Roche Innovation Center Basel, F. Hoffmann-La Roche Ltd., 4070 Basel, Switzerland.
Chemical research in toxicology
|August 16, 2023
概括
联合学习使制药公司能够协同训练机器学习模型,以确保药物安全,而无需共享专有数据. 这种方法有望改善毒理学预测,同时解决数据保密问题.
科学领域:
- 计算化学和毒理学计算化学和毒理学
- 机器学习在药物发现中的作用
- 制药数据科学 制药数据科学
背景情况:
- 形方法对于有效的药物设计和安全分析至关重要.
- 预测分子安全的机器学习 (ML) 模型需要广泛,多样化的训练数据.
- 数据保密性阻碍了制药行业的协作ML模型开发.
研究的目的:
- 评估用于毒理学预测的联合学习 (FL) 平台的性能.
- 将FL模型的性能与传统的内部ML模型进行比较.
- 确定FL在制药研发中的优势,局限性和潜在改进.
主要方法:
- 在使用拉萨有限公司的"Effiris"平台参加联合学习黑客马拉松.
- 在不直接共享数据的情况下,在多个工业合作伙伴之间分布的专有数据上培训ML模型.
- 对FL训练模型与内部ML模型进行目标和目标外预测的比较分析.
主要成果:
- 与内部模型相比,联合学习模型显示出竞争性表现.
- 该研究强调了在数据保密约束下协作ML培训的可行性.
- 确定了提高FL算法性能的具体领域.
结论:
- 联合学习提供了一个可行的解决方案,通过利用分布式,机密的数据集来构建强大的药物安全的ML模型.
- FL可以提高毒理学预测,加快药物开发管道.
- 需要进行进一步的研究,以优化FL方法论,使其适用于更广泛的制药应用.
更多相关视频
07:40A Data Integration Workflow to Identify Drug Combinations Targeting Synthetic Lethal Interactions
Published on: May 27, 2021
4.2K
00:05In Silico Modeling Method for Computational Aquatic Toxicology of Endocrine Disruptors: A Software-Based Approach Using QSAR Toolbox
Published on: August 28, 2019
14.0K
