داروهای نوآورانه و واحد توسعه بیوتکنولوژی اولیه، تحقیق و توسعه AstraZeneca گوتنبرگ، سوئد
doi یا شناسه دیجیتال
https://doi.org/10.1016/j.drudis.2018.01.039
ترجمه این مقاله با کیفیت متوسط انجام شده است. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
۰.۰(بدون امتیاز)
امتیاز دهید
فهرست مطالب
چکیده
مقدمه
اصول یادگیری عمیق
کاربرد یادگیری عمیق در خصوصیات ترکیب و پیشگویی فعالیت
طراحی جدید از طریق یادگیری عمیق
کاربرد یادگیری عمیق در پیشگویی واکنش ها و آنالیز رتروسنتتیک
کاربرد شبکه های عصبی معمول برای پیشگویی تعاملات لیگاند-پروتئین
پایگاه داده های معیار درون کموانفورماتیک
کاربرد یادگیری عمیق در تحلیل تصویربرداری بیولوژیکی
پیشرفت آتی یادگیری عمیق در کشف دارو
اظهارات نتیجه گیری
نمونه چکیده متن اصلی انگلیسی
Over the past decade, deep learning has achieved remarkable success in various artificial intelligence research areas. Evolved from the previous research on artificial neural networks, this technology has shown superior performance to other machine learning algorithms in areas such as image and voice recognition, natural language processing, among others. The first wave of applications of deep learning in pharmaceutical research has emerged in recent years, and its utility has gone beyond bioactivity predictions and has shown promise in addressing diverse problems in drug discovery. Examples will be discussed covering bioactivity prediction, de novo molecular design, synthesis prediction and biological image analysis.
نمونه چکیده ترجمه متن فارسی
چکیده
طی دهه گذشته، یادگیری عمیق به موفقیت قابل ملاحظه ای در انواع حیطه های تحقیقاتی هوش مصنوعی دست یافته است. این فناوری که از روی تحقیقات قبلی در زمینه شبکه های عصبی مصنوعی تکامل یافته است، نشان داده شده که عملکرد برتری نسبت به سایر الگوریتم های یادگیری ماشینی در حیطه هایی نظیر تشخیص تصویر و صدا ، پردازش زبان طبیعی در میان سایرین دارند. اولین موج کاربرد یادگیری عمیق در تحقیقات داروشناسی در سالهای اخیر ظهور یافته است و استفاده از آن فراتر از پیشگویی های فعالیت زیستی رفته است و در مطرح سازی مسائل گوناگون در کشفیات دارویی نویدبخش بوده است. مثالهایی برای تحت پوشش قرار دادن پیشگویی فعالیت زیستی، طراحی مولکولی جدید، تحلیل تصویر بیولوژیکی و پیشگویی سنتز مورد بحث قرار خواهد گرفت.