Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Apprentissage automatique dans le développement de médicament

Le développement de médicament est un procédé coûteux et souvent stérile. Plusieurs des médicaments au commencement vérifiés ne sont pas portés au test clinique, et à on ensuite qui ne sont pas reconnus par la FDA ou d'autres cartons assimilés.

L'apprentissage automatique joue un rôle actif en triant par les immenses quantités de caractéristiques biochimiques accumulées du débit élevé ordonnançant des techniques. Il rend la découverte de médicaments plus efficace.

Par ZolnierekCrédit d'image : Zolnierek/Shutterstock

Apprentissage automatique

L'apprentissage automatique est le procédé par lequel un ordinateur peut apprendre sans être programmée. D'abord inventé en 1959, l'apprentissage automatique est depuis devenu une réalité viable. Des ordinateurs sont alimentés un algorithme qu'ils s'appliquent pour analyser et apprendre des caractéristiques.

L'ordinateur effectuera alors une décision ou une prévision au sujet des caractéristiques appropriées. Il utilise les réseaux neuronaux, qui sont des algorithmes qui agissent assimilé à l'esprit humain du fait ils prennent des entrées, les traitent et fournissent un résultat.

À son faisceau, l'apprentissage automatique concerne effectuer une ligne de l'ajustement normal dans plusieurs cotes pour fournir la solution la plus optimale.

Il y a plusieurs types d'apprentissage automatique, tels que l'apprentissage automatique dirigé, apprendre non guidé et l'apprentissage par renforcement.

L'apprentissage automatique dirigé est quand la caractéristique est alimentée à l'ordinateur, mais cette caractéristique comprend la réponse au problème pour chaque ensemble de caractéristiques. De ceci, l'algorithme peut apprendre et effectuer de futures prévisions sur les ensembles de données neufs.

Apprendre non guidé comprendrait la caractéristique qui n'a pas un résultat. Il y aurait pas de réponse à la caractéristique qui est alimentée à l'algorithme au commencement, mais l'algorithme peut prendre les décisions au sujet dont les parties des caractéristiques sont plus assimilées entre eux.

L'apprentissage par renforcement est plus circulaire. Une action a lieu dans un environnement, qui mène à une récompense et à une représentation de la condition, qui contrôle par retour de l'information à l'action.

Méthodes de vision par ordinateur

Perturbagens sont des composés de petite molécule, RNAs inhibiteur ou autre compose des procédés intracellulaires de perturbation. Des méthodes de vision par ordinateur peuvent être utilisées pour analyser ces derniers, dans lesquels des caractéristiques dans les images peuvent être prévues et identifiées par un algorithme d'apprentissage automatique.

Les méthodes de Configuration-unmixing essayent de représenter des événements continus de réadressage à l'intérieur d'une cellule. Utilisant l'apprentissage automatique, ceci est fait en évaluant la partie qui est présente dans chacun de l'emplacement sous-cellulaire.

Une fois que ceci s'est analysé, apprendre les modèles génératifs peut être employé pour produire les modèles cellulaires neufs. Des images neuves sont synthétisées ont basé sur les images employées pour former le modèle. Ceci a été appliqué aux cellules hela dans deux et trois cotes. Ceci tient compte de l'étude des effets de perturbagen et des modifications cellulaires en raison des maladies et des médicaments.

Active apprenant des méthodes

Un système d'apprentissage automatique actif a une méthode pour établir un modèle prévisionnel des données disponibles et une méthode pour utiliser ce modèle pour décider la future collecte des informations. Le système peut, pour cette raison, choisir des points d'informations à rassembler et être ajoutés aux caractéristiques existantes.

Un des principaux problèmes avec la découverte de médicaments suit quel composé effectue, ainsi il affectera l'objectif sans modifier d'autres. Actuel, les chercheurs se servent des voies, de l'analyse, et de l'intuition connues de signe.

L'apprentissage automatique peut aider la ligne profilée le choix des expériences en établissant les modèles statistiques de l'espace en trois dimensions à plus soigneusement pour choisir les appropriés.

Applications d'apprentissage automatique dans la découverte de médicaments

Plusieurs compagnies collaborent pour épargner l'argent et l'effort sur le développement infructueux de médicament s'efforce. Le géant pharmaceutique Pfizer a maintenant utilisé un système d'IBM Watson qui emploie l'apprentissage automatique pour faciliter sa recherche des médicaments d'immunisé-oncologie.

Assimilé à ceci, Genetech du groupe de Roche, un autre géant pharmaceutique, collaborent pour employer l'apprentissage automatique sur des caractéristiques biomédicales. Elles se concentreront également principalement sur l'immunisé-oncologie, à l'aide de la plate-forme causale de l'apprentissage automatique de la santé de GNS. L'objectif est de découvrir et valider les candidats nouveaux potentiels de médicament.

Genetech et GNS planification également pour vérifier les bornes génétiques de réaction, pour développer si tout va bien des traitements visés. Ce principe, qui désigné généralement sous le nom du médicament personnalisé, est vu pour être le contrat à terme du médicament. On le croit que l'apprentissage automatique peut aider à déterminer quels gènes et repères génétiques collaborent avec une demande de règlement potentielle.

Causes d'apprentissage automatique et de potentiel pour la préoccupation

Tandis que l'apprentissage automatique est un progrès technique étonnant, il peut également légèrement s'inquiéter. Finalement, l'apprentissage automatique se fonde sur un ensemble de données viable et représentatif pour que le modèle soit établi en circuit. Ceci le rend susceptible d'un soi-disant des « déchets dedans, syndrome de déchets à l'extérieur », où les entrées décentrées peuvent entraîner les sorties peu représentatives.

En outre, les maths spécifiques derrière la façon dont l'apprentissage automatique fait réellement ce qu'il fait ne sont pas entièrement comprises. Tandis qu'un informaticien peut tordre les paramètres des réseaux neuronaux à l'intérieur du système d'apprentissage automatique, ils ne peuvent pas entièrement expliquer le comportement du modèle.

Par conséquent, le système d'apprentissage automatique peut donner une prévision, mais ne pas donner une raison de cette prévision. Ceci peut produire un besoin non désiré de saut de la foi en décidant des voies et des expériences critiques de signe dans le développement de médicament.

Further Reading

Last Updated: Oct 17, 2018

Sara Ryding

Written by

Sara Ryding

Sara is a passionate life sciences writer who specializes in zoology and ornithology. She is currently completing a Ph.D. at Deakin University in Australia which focuses on how the beaks of birds change with global warming.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Ryding, Sara. (2018, October 17). Apprentissage automatique dans le développement de médicament. News-Medical. Retrieved on September 19, 2020 from https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx.

  • MLA

    Ryding, Sara. "Apprentissage automatique dans le développement de médicament". News-Medical. 19 September 2020. <https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx>.

  • Chicago

    Ryding, Sara. "Apprentissage automatique dans le développement de médicament". News-Medical. https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx. (accessed September 19, 2020).

  • Harvard

    Ryding, Sara. 2018. Apprentissage automatique dans le développement de médicament. News-Medical, viewed 19 September 2020, https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx.

Comments

The opinions expressed here are the views of the writer and do not necessarily reflect the views and opinions of News Medical.