Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Modelos de difusión de SMILES a farmacocinética para el descubrimiento de fármacos con un profundo conocimiento molecular
Created by
Haebom
Autor
Bing Hu, Anita Layton, Helen Chen
Describir
En este artículo, proponemos Imagand, un novedoso modelo de difusión de SMILES a farmacocinética (S2PK) que puede generar varias características diana de PK condicionales a la entrada de SMILES para abordar la falta de redundancia de datos en los conjuntos de datos farmacocinéticos (PK) de fármacos, que es uno de los desafíos que enfrenta la inteligencia artificial (IA) que se utiliza cada vez más en todas las etapas del desarrollo de fármacos. Imagand genera datos sintéticos de PK que se asemejan a las distribuciones univariadas y bivariadas de los datos reales y mejora el rendimiento de las tareas posteriores. Esto facilita preguntas de investigación como estudios de combinación de múltiples fármacos, estudios de combinación de fármacos y cribado de alto rendimiento. Imagand es una solución prometedora al problema de la falta de redundancia de datos, permitiendo a los investigadores generar eficientemente datos de PK de ligandos para estudios de descubrimiento de fármacos. El código está disponible en https://github.com/bing1100/Imagand .
Presentamos un enfoque novedoso para abordar el problema de la redundancia de datos en los datos farmacocinéticos (PK) de fármacos.
◦
Los modelos Imagand se pueden utilizar para generar de manera eficiente datos farmacocinéticos sintéticos para acelerar estudios de combinación de múltiples fármacos, estudios de combinación de fármacos y estudios de detección de alto rendimiento.
◦
Mejore el rendimiento de las tareas posteriores generando datos sintéticos similares a los datos reales.
◦
Se han mejorado la reproducibilidad y la accesibilidad mediante código abierto.
•
Limitations:
◦
El rendimiento del modelo Imagand depende en gran medida de la calidad de los datos de entrenamiento utilizados.
◦
Los datos sintéticos generados pueden no coincidir perfectamente con los datos reales, lo que puede afectar la precisión de la predicción.
◦
Se necesita una mayor validación del rendimiento de generalización del modelo.
◦
El rendimiento en la generación de datos farmacocinéticos para medicamentos o objetivos específicos puede variar.
