题目

学科交叉:抗生素发现的深度学习方法

关键字

深度学习,人工智能医学,抗生素发现,学科交叉,人工智能的应用

简介

由于抗生素抗性细菌的迅速出现,发现新抗生素的需求不断增长。为了应对这一挑战,我们训练了一个能够预测具有抗菌活性的分子的深层神经网络。我们对多个化学文库进行了预测,并发现了“药物再利用中心”(halicin)中的一种分子,该分子与常规抗生素在结构上有所不同,并显示出对多种病原体(包括结核分枝杆菌和耐碳青霉烯的肠杆菌)的杀菌活性。 Halicin还可以在鼠类模型中有效治疗艰难梭菌和泛耐药鲍曼不动杆菌感染。此外,从ZINC15数据库收集的超过1.07亿个分子的23个经过实验测试的预测中,我们得出的离散集合中,我们的模型确定了8种与已知抗生素在结构上相距较远的抗菌化合物。这项工作突出了深度学习方法通​​过发现结构独特的抗菌分子来扩展我们的抗生素库的实用性。

作者

Jonathan M.Stokes,KevinYang,KyleSwanson,WengongJin,AndresCubillos-Ruiz等

成为VIP会员查看完整内容
0
13

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

深度学习在许多领域已经取得了显著的成果。现在它在科学领域掀起了波澜尤其是在生命科学领域。这本实用的书教导了开发人员和科学家如何将深度学习用于基因组学、化学、生物物理学、显微学、医学分析和其他领域。

理想的实践开发人员和科学家准备将他们的技能应用于科学应用,如生物学,遗传学,和药物的发现,这本书介绍了几个深度网络原语。您将跟随一个案例研究,研究如何设计将物理、化学、生物学和医学结合在一起的新疗法——这个例子代表了科学界最大的挑战之一。

学习在分子数据上执行机器学习的基础知识

  • 理解为什么深度学习是遗传学和基因组学的强大工具
  • 应用深度学习来理解生物物理系统
  • 简单介绍一下DeepChem的机器学习
  • 使用深度学习来分析微观图像
  • 使用深度学习技术分析医学扫描
  • 了解变分自编码器和生成对抗网络
  • 解释你的模型在做什么以及它是如何工作的
成为VIP会员查看完整内容
0
49

简介: 近年来,生命科学和数据科学已经融合。机器人技术和自动化技术的进步使化学家和生物学家能够生成大量数据。与20年前的整个职业生涯相比,如今的科学家每天能够产生更多的数据。快速生成数据的能力也带来了许多新的科学挑战。我们不再处于可以通过将数据加载到电子表格中并制作几个图表来对其进行处理的时代。为了从这些数据集中提取科学知识,我们必须能够识别和提取非显而易见的关系。近年来,作为识别数据模式和关系的强大工具而出现的一种技术是深度学习,它是一类算法,它彻底改变了解决诸如图像分析,语言翻译和语音识别等问题的方法。深度学习算法擅长识别和利用大型数据集中的模式。由于这些原因,深度学习在生命科学学科中具有广泛的应用。本书概述了深度学习如何应用于遗传学,药物发现和医学诊断等多个领域。我们描述的许多示例都附带有代码示例,这些示例为方法提供了实用的介绍,并为读者提供了以后进行研究和探索的起点。

该书中代码地址:https://github.com/deepchem/DeepLearningLifeSciences

目录:

  • 生命科学
  • 深度学习介绍
  • 机器学习与深化
  • 分子与机器学习
  • 生物机器学习
  • 基因组学与深度学习
  • 显微学与机器学习
  • 医药学与深度学习
  • 生成模型
  • 深度模型的解释
  • 预测模型
  • 展望
成为VIP会员查看完整内容
0
44

论文题目

机器学习在固体材料科学中的最新进展和应用,Recent advances and applications of machine learning in solidstate materials science

论文简介

近年来进入材料科学工具箱的最令人兴奋的工具之一是机器学习。这些统计方法已经证明能够大大加快基础和应用研究的速度。目前,我们正在见证一个爆炸性的工作,开发和应用机器学习的固态系统。我们对本课题的最新研究进行了全面的综述和分析。作为起点,我们介绍了材料科学中的机器学习原理、算法、描述符和数据库。我们继续描述不同的机器学习方法,以发现稳定的材料并预测其晶体结构。然后我们讨论了大量的定量结构-性质关系的研究,以及用机器学习代替第一性原理方法的各种方法。我们回顾了如何应用主动学习和基于代理的优化来改进rational设计过程和相关的应用实例。两个主要的问题总是机器学习模型的可解释性和从中获得的物理理解。因此,我们考虑可解释性的不同方面及其在材料科学中的重要性。最后,针对计算材料科学面临的各种挑战,提出了解决方案和未来的研究路径。

论文作者

Jonathan Schmidt,Mário R. G. Marques,来自马丁路德大学 物理研究所

成为VIP会员查看完整内容
0
18
小贴士
相关VIP内容
相关资讯
Deep-CEE:AI深度学习工具,帮助天文学家探索深空
深度学习探索
3+阅读 · 2019年7月21日
《科学》(20190426出版)一周论文导读
科学网
4+阅读 · 2019年4月27日
【学科发展报告】无人船
中国自动化学会
7+阅读 · 2019年1月8日
【机器学习】机器学习:未来十年研究热点
产业智能官
7+阅读 · 2018年11月4日
【学科发展报告】生物信息学
中国自动化学会
4+阅读 · 2018年10月22日
《科学》(20181012出版)一周论文导读
科学网
4+阅读 · 2018年10月14日
【深度学习】深度学习与神经科学相遇
产业智能官
6+阅读 · 2017年12月17日
相关论文
A Survey of Deep Learning for Scientific Discovery
Maithra Raghu,Eric Schmidt
26+阅读 · 2020年3月26日
Bernhard Schölkopf
9+阅读 · 2019年11月24日
Kwonjoon Lee,Subhransu Maji,Avinash Ravichandran,Stefano Soatto
3+阅读 · 2019年4月23日
Chris Alberti,Kenton Lee,Michael Collins
6+阅读 · 2019年3月21日
Logically-Constrained Reinforcement Learning
Mohammadhosein Hasanbeig,Alessandro Abate,Daniel Kroening
3+阅读 · 2018年12月6日
Joaquin Vanschoren
108+阅读 · 2018年10月8日
Yong Wang,Xiao-Ming Wu,Qimai Li,Jiatao Gu,Wangmeng Xiang,Lei Zhang,Victor O. K. Li
8+阅读 · 2018年7月8日
Yu-Xiong Wang,Ross Girshick,Martial Hebert,Bharath Hariharan
14+阅读 · 2018年4月3日
Minghui Liao,Zhen Zhu,Baoguang Shi,Gui-song Xia,Xiang Bai
12+阅读 · 2018年3月14日
Top