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

延遲問題是驅使許多公司從云轉移到邊緣的原因。“邊緣智能”(edge AI)或“邊緣機器學習”指的是，數據通過存儲在硬件設備上的算法在本地進行處理，而不是通過位于云中的算法進行處理。這不僅使實時操作成為可能，而且還有助于顯著降低與處理云數據相關的功耗和安全漏洞。

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。

社交網絡和分子圖等結構化的圖形數據在現實世界中隨處可見。設計先進的圖結構數據表示學習算法，促進下游任務的完成，具有重要的研究意義。圖神經網絡(GNNs)將深度神經網絡模型推廣到圖結構數據，為從節點級或圖級有效學習圖結構數據表示開辟了一條新途徑。由于其強大的表示學習能力，GNN在從推薦、自然語言處理到醫療保健等各種應用中獲得了實際意義。近年來，它已成為一個熱門的研究課題，越來越受到機器學習和數據挖掘界的關注。本教程涵蓋了相關和有趣的主題，包括使用GNNs在圖結構數據上的表示學習、GNNs的魯棒性、GNNs的可擴展性和基于GNNs的應用程序。

目錄內容：

• 引言 Introduction
• 基礎 Foundations
• 模型 Models
• 應用 Applications

//cse.msu.edu/~wangy206/tutorials/sdm2021/

在本教程中，我們旨在全面介紹專門為異常檢測(深度異常檢測)而設計的深度學習技術的進展。

深度學習在轉換許多數據挖掘和機器學習任務方面取得了巨大的成功，但由于異常具有一些獨特的特征，如罕見性、異質性、無限性以及收集大規模異常數據的高昂成本，目前流行的深度學習技術并不適用于異常檢測。

通過本教程，讀者將對該領域有一個系統的概述，了解目前最先進的12種不同類型的深度異常檢測方法的主要要點、目標函數、基本假設、優缺點，并認識到其在不同領域的廣泛適用性。我們還討論了當前的深度異常檢測方法可以從多個不同的角度解決和展望該領域的挑戰。

任何對深度學習、異常/離群值/新奇檢測、分布外檢測、帶有有限標記數據的表示學習以及自我監督表示學習感興趣的讀者，都會發現參加本教程非常有幫助。

金融、網絡安全、醫療保健領域的研究人員和從業者也會發現該教程在實踐中有幫助。

異常檢測，幾十年來一直是各個研究領域中一個持續而活躍的研究領域。但仍然有一些獨特的問題、復雜性和挑戰需要先進的方法。近年來，將深度學習應用于異常檢測(即深度異常檢測)已經成為關鍵方向。本文回顧了深度異常檢測方法的研究進展，并對檢測方法進行了分類，包括3個高級類別和11個細粒度類別。本文回顧了檢測方法的主要intuitions、目標函數、基本假設、優勢和劣勢，并討論了他們如何應對上述挑戰。并且進一步討論了一系列未來可能的機遇和應對挑戰的新觀點。

異常檢測，又稱離群值檢測或新穎性檢測，是指檢測與大多數數據實例顯著偏離的數據實例的過程。幾十年來，異常探測一直是一個活躍的研究領域，早期的探測可以追溯到20世紀60年代的[52]。由于在風險管理、合規、安全、金融監控、健康和醫療風險、人工智能安全等廣泛領域的需求和應用日益增長，異常檢測在數據挖掘、機器學習、計算機視覺和統計等各個領域發揮著越來越重要的作用。近年來，深度學習在學習高維數據、時間數據、空間數據和圖形數據等復雜數據的表達表示方面顯示出了巨大的能力，推動了不同學習任務的邊界。深度學習異常檢測，簡稱深度異常檢測，目的是通過神經網絡學習特征表示或異常分數來進行異常檢測。大量的深度異常檢測方法已經被引入，在解決各種現實世界應用中具有挑戰性的檢測問題上，表現出比傳統異常檢測顯著更好的性能。這項工作旨在對這一領域進行全面調研。我們首先討論了異常檢測的問題本質和主要的未解決的挑戰，然后系統地回顧了當前的深度方法及其解決這些挑戰的能力，最后提出了一些未來的機會。

“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。

【導讀】國際人工智能會議AAAI 2021論文將在全程線上舉辦，時間在 2 月 2 日-2 月 9 日，本屆大會也將是第 35 屆 AAAI 大會。大會涵蓋了眾多最近研究進展報告，來自MIla唐建博士、FeiWang博士、Feixiong Cheng共同做了關于人工智能藥物發現的進展報告，非常值得關注!

藥物發現是一個漫長而昂貴的過程，平均需要10年時間和25億美元來開發一種新藥。人工智能有潛力通過分析生物醫學領域產生的大量數據，如生物測定、化學實驗和生物醫學文獻，來顯著加速藥物發現的進程。最近，在許多不同的領域，包括機器學習、數據挖掘和生物醫學領域，人們對開發人工智能技術用于藥物發現越來越感興趣。在本教程中，我們將詳細介紹藥物發現中的關鍵問題，如分子性質預測、新生分子設計和分子優化、反合成反應和預測、藥物再利用和組合，以及針對這些問題的人工智能關鍵技術進展。本教程可以作為對藥物發現感興趣的計算機科學家和藥物發現從業者的入門材料，以便沿著這個方向學習最新的人工智能技術。

AAAI 2021：//deepgraphlearning.github.io/DrugTutorial_AAAI2021/ KDD 2021：

目錄：

• 藥物概述 Drug Discovery Overview [20 min, presented by Feixiong]

• 深度學習，傳統基于網絡方法，圖表示學習 Deep Learning, Traditional Network-based Methods, Graph Representation Learning [15 min, presented by Fei]

  • 卷積神經網絡與循環神經網路絡 Convolutional Neural Networks and Recurrent Neural Networks
  • 圖卷積網絡 Graph Convolutional Networks [GCN (Kipf & Welling, 2016), MPNN (Gilmer et al., 2017), GIN (Xu et al., 2018)]

• 分子性質預測 Molecule Properties Prediction [30 min, presented by Jian]

  • Supervised [MPNN (Gilmer et al., 2017)]
  • Self-supervised [ContextPred (Hu et al., 2019), InfoGraph (Sun et al., 2020)]
  • Semi-supervised [InfoGraph (Sun et al., 2020)]

• 新生分子的生成和優化，De novo Molecule Generation and Optimization [40 min, presented by Jian and Fei]

  • Variational autoencoder-based approach [JTVAE (Jin et al., 2018)]
  • Autoregressive methods [GCPN (You et al., 2018)]
  • Normalizing Flow-based approaches [GraphAF (Shi et al., 2020), MoFlow (Zang & Wang, 2020)]

• 反應預測與反合成，Reaction Prediction and Retrosynthesis [30 min, presented by Jian]

• Reaction prediction [(Jin et al., 2017), (Schwaller et al., 2019), (Sacha et al., 2020)]

• Retrosynthesis [(Dai et al., 2019), (Shi et al., 2020), (Sacha et al., 2020)]

• 基于多組學和臨床數據的藥物再利用，Multiomics and Clinical Data-based Drug Repurposing [45 min, presented by Feixiong and Fei]

• Network-based approach [(Cheng et al., 2018)]

• Graph Neural Network-based approach [(Gysi et al., 2020) ]

• Case Study on COVID-19 [(Zhou et al., 2020), (Gysi et al., 2020)]

• 其他話題，Other Topics [15 min, presented by Fei]

• 結論與未來方向，Conclusion and Future Directions [15 min, presented by Fei]

講者：

唐建，加拿大蒙特利爾學習算法研究院 (MILA) 以及加拿大蒙特利爾大學商學院助理教授、博士生導師。主要研究方向為：圖表示學習、圖研究網絡、知識圖譜、藥物發現。曾獲得機器學習頂級會議ICML2014的最佳論文以及數據挖掘頂級會議WWW‘16的最佳論文提名。發表了一系列在圖表示學習領域的經典論文包括LINE、LargeVis、RotatE以及最近的Graph Markov Neural Networks (GMNN)。

Fei Wang，美國康奈爾大學威爾醫學院副教授，主要研究方向為數據挖掘及其在健康數據科學中的應用。他在人工智能和醫學領域發表了250多篇論文，被引用超過1.27萬次，H指數是56。他的論文在數據挖掘和醫學信息學的頂級國際會議上獲得了8項最佳論文獎。

Feixiong Cheng博士，克利夫蘭診所基因組醫學研究所的首席研究員。鄭博士致力于開發計算和實驗網絡醫學技術，以促進疾病異質性的表征，從而接近協調的、以患者為中心的戰略的目標，以創新診斷和治療的發展。

參考文獻：

Sun, F.-Y., Hoffmann, J., Verma, V., & Tang, J. (2020). Infograph: Unsupervised and semi-supervised graph-level representation learning via mutual information maximization. ICLR.

Shi, C., Xu, M., Zhu, Z., Zhang, W., Zhang, M., & Tang, J. (2020). GraphAF: a flow-based autoregressive model for molecular graph generation. ICLR.

Shi, C., Xu, M., Guo, H., Zhang, M., & Tang, J. (2020). A Graph to Graphs Framework for Retrosynthesis Prediction. ICML.

Gottipati, S. K., Sattarov, B., Niu, S., Pathak, Y., Wei, H., Liu, S., Thomas, K. M. J., Blackburn, S., Coley, C. W., Tang, J., & others. (2020). Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning. ICML.

Jin, W., Barzilay, R., & Jaakkola, T. (2018). Junction tree variational autoencoder for molecular graph generation. ICML.

You, J., Liu, B., Ying, Z., Pande, V., & Leskovec, J. (2018). Graph convolutional policy network for goal-directed molecular graph generation. Advances in Neural Information Processing Systems, 6410–6421.

Zang, C., & Wang, F. (2020). MoFlow: An Invertible Flow Model for Generating Molecular Graphs. Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, 617–626.

Sun, M., Zhao, S., Gilvary, C., Elemento, O., Zhou, J., & Wang, F. (2020). Graph convolutional networks for computational drug development and discovery. Briefings in Bioinformatics, 21(3), 919–935.

Hu, W., Liu, B., Gomes, J., Zitnik, M., Liang, P., Pande, V., & Leskovec, J. (2019). Strategies for Pre-training Graph Neural Networks. ArXiv Preprint ArXiv:1905.12265.

Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., & Dahl, G. E. (2017). Neural message passing for quantum chemistry. ArXiv Preprint ArXiv:1704.01212.

Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. ArXiv Preprint ArXiv:1609.02907.

Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2018). How powerful are graph neural networks? ArXiv Preprint ArXiv:1810.00826.

Jin, W., Coley, C., Barzilay, R., & Jaakkola, T. (2017). Predicting organic reaction outcomes with weisfeiler-lehman network. Advances in Neural Information Processing Systems, 2607–2616.

Schwaller, P., Laino, T., Gaudin, T., Bolgar, P., Hunter, C. A., Bekas, C., & Lee, A. A. (2019). Molecular transformer: A model for uncertainty-calibrated chemical reaction prediction. ACS Central Science, 5(9), 1572–1583.

Sacha, M., B?a?, M., Byrski, P., W?odarczyk-Pruszyński, P., & Jastrz?bski, S. (2020). Molecule Edit Graph Attention Network: Modeling Chemical Reactions as Sequences of Graph Edits. ArXiv Preprint ArXiv:2006.15426.

Dai, H., Li, C., Coley, C., Dai, B., & Song, L. (2019). Retrosynthesis prediction with conditional graph logic network. Advances in Neural Information Processing Systems, 8872–8882.

Zhou, Y., Hou, Y., Shen, J., Huang, Y., Martin, W., & Cheng, F. (2020). Network-based drug repurposing for novel coronavirus 2019-nCoV/SARS-CoV-2. Cell Discovery, 6(1), 1–18.

Zeng, X., Zhu, S., Liu, X., Zhou, Y., Nussinov, R., & Cheng, F. (2019). deepDR: a network-based deep learning approach to in silico drug repositioning. Bioinformatics, 35(24), 5191–5198.

Zhou, Y., Wang, F., Jian, T., R., N., & Cheng, F. (2020). Artificial Intelligence in Drug Repurposing. The Lancet Digital Health.

Chen, H., Cheng, F., & Li, J. (2020). iDrug: Integration of drug repositioning and drug-target prediction via cross-network embedding. PLoS Computational Biology, 16(7), e1008040.

Cheng, F., Kovács, I. A., & Barabási, A.-L. (2019). Network-based prediction of drug combinations. Nature Communications, 10(1), 1–11.

Cheng, F., Desai, R. J., Handy, D. E., Wang, R., Schneeweiss, S., Barabási, A.-L., & Loscalzo, J. (2018). Network-based approach to prediction and population-based validation of in silico drug repurposing. Nature Communications, 9(1), 1–12.

Gysi, D. M., Valle, í. D., Zitnik, M., Ameli, A., Gan, X., Varol, O., Sanchez, H., Baron, R. M., Ghiassian, D., Loscalzo, J., & others. (2020). Network medicine framework for identifying drug repurposing opportunities for covid-19. ArXiv Preprint ArXiv:2004.07229.

Zhou, Y., Hou, Y., Shen, J., Kallianpur, A., Zein, J., Culver, D. A., Farha, S., Comhair, S., Fiocchi, C., Gack, M. U., & others. (2020). A Network Medicine Approach to Investigation and Population-based Validation of Disease Manifestations and Drug Repurposing for COVID-19. ChemRxiv.

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

講座題目

藥物發現與開發的數據挖掘方法：Data Mining Methods for Drug Discovery and Development

講座簡介

醫學中的硅模型是指直接使用計算方法來支持藥物的發現和開發。機器學習和數據挖掘方法已經成為硅模型的一個組成部分，并且在藥物發現和開發過程的各個階段都顯示出了良好的性能。在本教程中，我們將介紹數據分析方法在藥物研發中的應用。上半年，我們將概述相關數據和分析任務，然后介紹這些任務的啟用數據分析方法。下半部分，我們將描述這些任務的具體應用。本教程將以開放式問題和問答環節結束。

講座嘉賓

Cao (Danica) Xiao 是IQVIA卓越分析中心的機器學習主任。她正帶領IQVIA的北美機器學習團隊推動下一代醫療人工智能。她的團隊致力于各種疾病建模和硅化藥物建模項目（例如，藥物不良反應檢測、藥物重新定位和從頭設計）。她的研究重點是使用機器學習和數據挖掘方法來解決各種現實世界的醫療挑戰。特別是，她對電子健康記錄上的表型、硅化藥物建模中的數據挖掘、生物標記物發現和神經退行性疾病的患者分割感興趣。她的研究成果發表在主要的人工智能會議上，包括KDD、NIPS、ICLR、AAAI、IJCAI、SDM、ICDM、WWW和頂級健康信息學期刊，如《自然科學報告》和JAMIA。在加入IQVIA之前，她曾于2017年至2019年在IBM research擔任AI for Healthcare團隊的研究人員，并于2018年至2019年擔任IBM全球技術展望委員會成員。她于2016年在西雅圖華盛頓大學獲得博士學位。