亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

隨著人工智能技術的突破性進展, 人工智能與可視化的交叉研究成為當前的研究熱點之一, 為人工智能和大數據分析領域的若干核心難題提供了啟發式的理論、方法和技術. 一方面, 人工智能技術的創新應用提升了可視化的分析效率, 拓展了分析功能, 為大數據可視分析提供了強有力的工具. 另一方面, 可視化技術增強了以深度學習為代表的人工智能的可解釋性和交互性, 為可解釋人工智能提供了可靠的技術基礎. 本文從面向人工智能的可視化技術和人工智能驅動的可視化技術兩個方向, 分別介紹了數據質量改善、可解釋機器學習、智能特征提取、可視化自動布局與生成、智能交互、智能故事敘述等6個重要問題. 對國內外的研究進展進行了分析, 并對發展趨勢進行了展望.

//www.sciengine.com/publisher/scp/journal/SSI/51/11/10.1360/SSI-2021-0062?slug=fulltext

為藥物開發人員而不是計算機科學家寫的，這一專論采用了一種系統的方法來挖掘科學數據源，涵蓋了從化合物篩選到先導化合物選擇和個性化藥物的合理藥物發現的所有關鍵步驟。第一部分明確地分為四個部分，討論了不同的可用的數據來源，包括商業和非商業的，而下一節著眼于數據挖掘在藥物發現中的作用和價值。第三部分比較了多藥理學最常見的應用和策略，其中數據挖掘可以大大提高研究工作。書的最后一部分是致力于復合測試的系統生物學方法。

在整本書中，工業和學術藥物發現策略被處理，貢獻者來自兩個領域，使一個知情的決定，何時和哪些數據挖掘工具使用自己的藥物發現項目。

一般來說，從數據庫中提取信息稱為數據挖掘。數據庫是一種數據集合，其組織方式允許方便地訪問、管理和更新其內容。數據挖掘包括數字和統計技術，可以應用于許多領域的數據，包括藥物發現。數據挖掘的功能定義是使用數值分析、可視化或統計技術來識別數據集中重要的數值關系，從而更好地理解數據并預測未來的結果。通過數據挖掘，我們可以得到一個模型，該模型將一組分子描述符與諸如功效或ADMET特性等生物關鍵屬性聯系起來。所得模型可用于預測新化合物的關鍵屬性值，為后續篩選確定優先級，并深入了解化合物的構效關系。數據挖掘模型范圍從簡單的、由線性技術導出的參數方程到復雜的、由非線性技術導出的非線性模型。文獻[1-7]提供了更詳細的信息。

這本書分為四個部分。第一部分涉及藥物發現中使用的不同數據來源，例如，蛋白質結構數據庫和主要的小分子生物活性數據庫。第二部分重點介紹數據分析和數據豐富的不同方法。在這里，我們提出了對HTS數據挖掘和識別不同目標命中的工業見解。另一章展示了強大的數據可視化工具在簡化這些數據方面的優勢，從而促進了它們的解釋。第三部分包括多種藥理學的一些應用。例如，在化學基因組學時代，數據挖掘可以為配體分析和目標捕捉帶來積極的結果。最后，在第四部分，系統生物學方法被考慮。例如，讀者被介紹到綜合和模塊化分析方法，以挖掘大分子和表型數據。結果表明，該方法能夠降低高維數據的復雜性，并為整合不同類型的組學數據提供了一種方法。在另一章中，建立了一套新的方法，定量地衡量化學品對生物系統的生物影響。

圖機器學習(GML)因其建模生物分子結構、它們之間的功能關系以及整合多組數據集的能力而受到制藥和生物技術行業越來越多的關注。在此，我們提出了一個關于藥物發現和研發多學科的學術-工業綜述的主題。在介紹了關鍵術語和建模方法之后，我們按時間順序介紹了藥物開發流程，以確定和總結工作包括: 靶標識別、小分子和生物制劑的設計，以及藥物的重新利用。盡管該領域仍處于新興階段，但關鍵的里程碑，包括重新用途的藥物進入體內研究，表明GML將成為生物醫學機器學習的建模框架選擇。

引言

從藥物發現到上市，平均超過10億美元，可能持續12年或更長時間[1 - 3]; 由于高流失率，很少有人能在10年內進入市場[4,5]。整個過程的高損耗不僅使投資不確定，而且需要市場批準的藥物為早期的失敗買單。盡管在過去十多年里，整個行業都在關注效率問題，同時也受到了一些出版物和年度報告的推動，這些報告強調了終結排他性和生產率下降會導致收入下降，但事實證明，在科學、技術和監管變革的背景下，明顯的改善是難以實現的。由于上述原因，現在人們對運用計算方法來加快藥物發現和研發管道[6]的各個部分更感興趣，見圖1。

數字技術已經改變了產生大量數據的藥物研發過程。變化范圍從電子實驗室筆記本[7]，電子法規提交，通過增加實驗室、實驗和臨床試驗數據收集[8]，包括設備的使用[9,10]，到精準醫療和“大數據”[11]的使用。收集到的關于治療的數據遠遠超出了研發范圍，包括醫院、專家和初級保健醫療專業人員的患者記錄——包括從社交媒體上獲取的觀察數據，例如藥物警戒數據[12,13]。通過可重復使用藥物的數據庫，有無數的在線數據庫和其他信息來源，包括科學文獻、臨床試驗信息[14,15]。技術的進步現在允許更大的組學分析，而不僅僅是基因分型和全基因組測序(WGS);微流體技術和抗體標記的標準化使得單細胞技術廣泛應用于轉錄組的研究，例如使用RNA-seq[16]，蛋白質組(靶向)，例如通過大量細胞檢測[17]，甚至多種方式結合[18]。

在藥物發現過程中產生和使用的生物醫學數據的關鍵特征之一是其相互關聯的性質。這種數據結構可以用圖表示，這是一種數學抽象，在生物學的各個學科和領域中廣泛使用，以模擬在不同尺度上進行干預的生物實體之間的各種相互作用。在分子尺度上，蛋白質和其他生物分子的氨基酸殘基[19,20]和小分子藥物的組成原子和化學鍵結構[21,22]可以用圖表示。在中間尺度上，相互作用組是捕獲生物分子物種(如代謝物、mRNA、蛋白質)[23]之間特定類型相互作用的圖，其中蛋白質-蛋白質相互作用(PPI)圖可能是最常見的。最后，在更高的抽象層次上，知識圖譜可以表示電子病歷(EMR)中藥物、副作用、診斷、相關治療和檢測結果之間的復雜關系[24,25]。

在過去的十年里，兩個新興趨勢重塑了數據建模社區: 網絡分析和深度學習。“網絡醫學”范式早已在生物醫學領域[26]得到認可，借用了圖論和復雜網絡科學的多種方法，運用于生物圖，如PPIs和基因調控網絡(GRNs)。這一領域的大多數方法都局限于手工繪制的圖特征，如中心性度量和聚類。相比之下，深度神經網絡是一種特殊的機器學習算法，用于學習最優的特定任務特征。深度學習的影響在計算機視覺[27]和自然語言處理[28]方面具有開創性，但受限于對數據結構規律性的要求，局限于特定領域。在這兩個領域的收斂處是圖機器學習(GML)，這是一類利用圖和其他不規則數據集(點云、網格、流形等)的結構的新ML方法。

GML方法的基本思想是學習節點29,30、邊(如預測推薦系統中的未來交互)或整個圖31的有效特征表示。特別是，圖神經網絡(GNN)[32-34]，它是專為圖結構數據設計的深度神經網絡體系結構，正引起越來越多的興趣。GNN通過傳播鄰近節點的信息來迭代更新圖中節點的特征。這些方法已經成功地應用于各種任務和領域，如社交媒體和電子商務中的推薦[35-38]，谷歌地圖[39]中的流量估計，社交媒體[40]中的錯誤信息檢測，以及自然科學的各個領域，包括建模流體，硬質固體，以及可變形材料相互作用[41]和粒子物理學中的事件分類[44,43]。

在生物醫學領域，GML在挖掘圖結構數據(包括藥物-靶標相互作用和通過知識圖譜嵌入進行關系預測)方面已經達到了最新水平[30,44,45];分子特性預測[21,22]，包括預測吸收、分布、代謝和排泄(ADME)譜[46];靶標識別[47]到重新設計分子的早期工作[48,49]。最值得注意的是，Stokes等人利用定向信息傳遞的GNN作用于分子結構，為抗生素研發提出了可重用的候選抗生素，驗證了他們在體內的預測，從而提出了結構明顯不同于已知抗生素的合適的可重用候選抗生素。因此，GML方法在藥物開發過程中具有極大的應用前景。

結論：

• 歷史上，生物分子相互作用和基因調控網絡的分析一直具有巨大的學術興趣，但在藥物發現和開發中可翻譯的結果有限。

• 網絡醫學使用手工繪制的圖特征提供了很有前景的結果，但在整合不同的生物數據源的問題上缺乏任何有原則的解決方案: 結構數據(藥物和生物分子)、功能關系(抑制、激活等)和表達(RNA-seq、蛋白質組學等)。

• 深度學習目前已應用于生物醫學研究的多個領域，特別是在生物醫學圖像(如組織病理標本)的解釋方面，實現由上級到醫生的結果。

• 圖機器學習將網絡拓撲分析技術與深度學習技術相結合，學習有效的節點特征表示。

• 圖機器學習已被應用于藥物發現和開發中的問題，并取得了巨大的成功，出現了一些實驗結果: 小分子設計、藥物與靶標相互作用的預測、藥物與藥物相互作用的預測和藥物的重新利用都是比簡單的非圖ML方法取得了相當大的成功和改進的任務。

“人工智能”(AI)最近在圖像和語音識別等領域產生了深遠的影響，這一進展已經轉化為實際應用。然而，在藥物發現領域，這樣的進步仍然很少，原因之一是使用的數據本身。在這篇綜述中，我們討論了來自不同領域的數據的方面和差異，即圖像、語言、化學和生物領域的數據，可用的數據量，以及它們與藥物發現的相關性。未來需要我們對生物系統的理解，以及隨后生成足夠數量的與實際相關的數據，才能真正推進人工智能在藥物發現領域的發展，發現具有新型作用模式的新型化學物質，并在臨床中表現出理想的有效性和安全性。

//www.sciencedirect.com/science/article/pii/S00428?via%3Dihub

人工智能已經改變了許多領域，可能最顯著的是圖像和語音識別領域，導致了自動護照控制和“虛擬助手”(也涉及隱私等相關問題)。從現在開始，聚焦于技術方面，圖像識別方面的最新發展的起點可能是2010年由Schmidhuber和他的同事[1]發表的關于識別手寫字符的論文。2012年NIPS發表了一篇關于AlexNet[2]的論文，成功地利用了深度神經網絡對圖像進行分類，從而使這一領域快速發展起來。這個進展不僅依賴特定的選擇由作者(如使用連續卷積和匯聚層,使用修正線性(ReLU)單位,數據增加和dropout 層[3]],還有大量的標記數據可以從ImageNet庫[4],以及圖形處理單元(GPU)的使用。在語音識別方面，Hochreiter和他的同事[5]所做的諸如長期短時記憶(LSTM)的研究為最近的實際應用鋪平了道路，比如在移動設備和虛擬助手上。

人工智能先前成功的領域，如圖像分類和語音識別，在以下方面不同于藥物發現領域中可用的化學和生物數據:(i)可用數據的數量; ii) 能夠將其以合適的形式表示給計算機;iii)與可用數據本質一致的ML算法(例如，波形和RNNs，或圖像和CNNs具有這種潛在的一致性，而化學和生物數據不存在這種一致性); iv)分配有意義標簽的可能性(在藥物發現領域很大程度上取決于情況，如劑量、基因型、試驗設置等)。此外，近期的其他進展，如DeepMind在最近的CASP蛋白折疊競賽中以較大優勢獲勝[67]，也需要評估在藥物發現的背景下，這究竟能讓我們做些什么。對于蛋白質折疊領域來說，這確實是一個非常重要的發展，因為預測折疊后的蛋白質狀態的精確度和速度現在是可能的。然而，在藥物發現領域，任何藥物的體內有效性和安全性的關鍵問題仍然和以前一樣——我們可能會比以前對接更多的靶點(并進行基于結構的設計)，以更快地發現配體;如何將其轉化為體內情況是一個完全開放的問題，上面關于“配體”和“藥物”發現的評論和以前一樣適用。最近關于該主題的全面討論參見[68]。簡而言之，在圖像上識別物體、預測蛋白質結構和識別安全有效的藥物之間是有區別的。我們將在下面更詳細地描述這些差異。

隨著機器學習在各種應用領域的顯著成功，我們正目睹越來越多的人對機器學習在藥物發現和開發中的應用感興趣。

在本教程中，我們將介紹機器學習在過去幾年中取得的關鍵進展，并強調這些進展在藥物開發中帶來的根本性的新機遇。我們感興趣的是這些進步為什么以及如何幫助完成與藥品有關的任務。我們通過六個關鍵任務詳細闡述了機器學習在藥物開發中的應用:(a)合成預測和新藥設計，(b)分子性質預測，(c)虛擬藥物篩選和藥物靶標相互作用，(d)臨床試驗招募，(e)藥物再利用，(f)藥物不良反應和多用藥。

我們討論這些關鍵藥物相關任務的方法背后的理論基礎，闡明基于不同配方的各種方法，并總結代表性的應用。我們將涵蓋生成模型、強化學習以及深度表示學習和嵌入方面的最新進展。為此，我們提出了一個用于端到端藥物開發的人工智能算法工具箱。

藥物的發現和開發是一個漫長而昂貴的過程。它通常從分子和目標的實驗發現開始(即藥物從頭設計)，并在轉入臨床試驗之前通過細胞系、類器官和動物的體外實驗驗證發現。一種新藥從發現到監管機構批準的整個過程可能需要長達12年，成本高達28億美元。此外，每個藥物開發階段都存在巨大的不確定性(1:50 000的成功率)。

機器學習方法已成為解決這些挑戰和加速藥物開發的一種有前途的工具。本教程將介紹以下與藥物相關的主要任務:

• 合成預測和藥物從頭設計(即從頭設計一個全新的分子)的目的是生成化學上正確的結構，以協助復雜的分子合成。

• 分子特性預測的目的是通過預測分子特性，如效力、生物活性和毒性，從分子數據來確定分子的治療效果。

• 虛擬藥物篩選和藥物靶標識別的目的是預測藥物如何通過與靶標蛋白結合并影響其下游活性來影響人體。

• 臨床試驗招募的目的是找到合適的醫生幫助進行試驗，以及找到合格的患者參與試驗。

• 藥物再利用尋求通過藥物化學、目標和藥物與疾病之間的副作用相似性來發現已知藥物以及新分子的新用途。

• 藥物不良反應、多重用藥和藥物-食品相互作用預測的目的是預測藥物不良反應產生的機制，建議替代藥物成員的預期藥理作用沒有負面的健康影響，并預測食品成分對相互作用藥物的影響。

然后，我們將討論解決這些與毒品有關的任務的主要方法:

• 生成模型。我們重點研究了適用于新分子設計的變分自編碼器(VAE)和生成對抗網絡(GAN)。他們以已知治療性質的以直線或圖形為基礎的化合物表示為輸入，將化合物編碼為潛在空間，然后解碼為新的藥物樣品。

• 強化學習。我們主要討論策略梯度法，最先進的分子生成方法，可以結合特定領域的分子合成知識。

• 深度表示學習。我們提出主要的神經體系結構學習表示藥物相關的數據。這些方法是相關的，因為它們在與藥物有關的任務中達到了最先進的性能。例如，這些方法被用于自動學習藥物指紋，學習藥物蛋白結合親和力，并招募患者參加臨床試驗。此外，圖嵌入方法用于研究藥物組合，并預測藥物效應，因為藥物擴散到生物網絡中，超出了它們直接結合的分子。

目錄內容：

• 概述和介紹
• 罕見和新發疾病藥物再利用的虛擬藥物篩選、知識圖譜嵌入方法
• 學習藥物組合的建模
• 臨床試驗地點識別(醫生識別、covid - 19疫苗和抗體試驗地點識別)、患者招募
• 分子優化，分子圖生成，多模態圖到圖的翻譯
• 分子性質預測，預測分子相互作用的變換器
• 使用演示、實現細節、工具和技巧進行實踐練習
• 總結和問答環節

隨著機器學習、圖形處理技術和醫學成像數據的迅速發展，機器學習模型在醫學領域的使用也迅速增加。基于卷積神經網絡(CNN)架構的快速發展加劇了這一問題，醫學成像社區采用這種架構來幫助臨床醫生進行疾病診斷。自2012年AlexNet取得巨大成功以來，CNNs越來越多地被用于醫學圖像分析，以提高臨床醫生的工作效率。近年來，三維(3D) CNNs已被用于醫學圖像分析。在這篇文章中，我們追溯了3D CNN的發展歷史，從它的機器學習的根源，簡單的數學描述3D CNN和醫學圖像在輸入到3D CNNs之前的預處理步驟。我們回顧了在不同醫學領域，如分類、分割、檢測和定位，使用三維CNNs(及其變體)進行三維醫學成像分析的重要研究。最后，我們討論了在醫學成像領域使用3D CNNs的挑戰(以及使用深度學習模型)和該領域可能的未來趨勢。

簡介： 近年來，生命科學和數據科學已經融合。機器人技術和自動化技術的進步使化學家和生物學家能夠生成大量數據。與20年前的整個職業生涯相比，如今的科學家每天能夠產生更多的數據。快速生成數據的能力也帶來了許多新的科學挑戰。我們不再處于可以通過將數據加載到電子表格中并制作幾個圖表來對其進行處理的時代。為了從這些數據集中提取科學知識，我們必須能夠識別和提取非顯而易見的關系。近年來，作為識別數據模式和關系的強大工具而出現的一種技術是深度學習，它是一類算法，它徹底改變了解決諸如圖像分析，語言翻譯和語音識別等問題的方法。深度學習算法擅長識別和利用大型數據集中的模式。由于這些原因，深度學習在生命科學學科中具有廣泛的應用。本書概述了深度學習如何應用于遺傳學，藥物發現和醫學診斷等多個領域。我們描述的許多示例都附帶有代碼示例，這些示例為方法提供了實用的介紹，并為讀者提供了以后進行研究和探索的起點。

該書中代碼地址：//github.com/deepchem/DeepLearningLifeSciences

目錄：

• 生命科學
• 深度學習介紹
• 機器學習與深化
• 分子與機器學習
• 生物機器學習
• 基因組學與深度學習
• 顯微學與機器學習
• 醫藥學與深度學習
• 生成模型
• 深度模型的解釋
• 預測模型
• 展望