Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Apprendimento automatico nello sviluppo della droga

Lo sviluppo della droga è un trattamento costoso e spesso inutile. Molte delle droghe inizialmente esaminarici non sono portate dopo al test clinico ed a molti che non siano approvati da FDA o da altri simili quadri.

L'apprendimento automatico fa una parte attiva nell'ordinamento con gli importi immensi dei dati biochimici accumulata dall'alta capacità di lavorazione che ordina le tecniche. Rende la scoperta della droga più efficiente.

Da ZolnierekCredito di immagine: Zolnierek/Shutterstock

Apprendimento automatico

L'apprendimento automatico è il trattamento tramite cui un computer può imparare senza essere programmata. In primo luogo punzonato nel 1959, l'apprendimento automatico da allora si è trasformato in in una realtà possibile. I computer sono alimentati un algoritmo che si applicano per analizzare ed imparare dai dati.

Il computer poi farà una decisione o una previsione circa i dati pertinenti. Utilizza le reti neurali, che sono algoritmi che agiscono similmente al cervello umano in quanto catturano gli input, lo elaborano e forniscono un output.

Alla sua memoria, l'apprendimento automatico comprende fare una riga del meglio ha andato d'accordo parecchie dimensioni per fornire la soluzione più ottimale.

Ci sono parecchi tipi di apprendimenti automatici, come l'apprendimento automatico sorvegliato, l'apprendimento non supervisionato ed apprendimento di rinforzo.

L'apprendimento automatico sorvegliato è quando i dati sono introdotti al computer, ma questi dati comprendono la risposta al problema per ogni insieme dei dati. Da questo, l'algoritmo può imparare e fare le previsioni future sui nuovi insiemi di dati.

L'apprendimento non supervisionato comprenderebbe i dati che non hanno un output. Non ci sarebbe risposta ai dati che sono introdotti inizialmente all'algoritmo, ma l'algoritmo può prendere le decisioni circa cui le parti dei dati sono l'un l'altro più simili.

L'apprendimento di rinforzo è più circolare. Un atto ha luogo in un ambiente, che piombo ad una ricompensa e ad una rappresentazione dello stato, che feedback all'atto.

Metodi di visione artificiale

Perturbagens è composti della piccolo-molecola, RNAs inibitorio o altro compone i trattamenti intracellulari d'interruzione. I metodi di visione artificiale possono essere impiegati per analizzare questi, in cui le funzionalità nelle immagini possono essere calcolate e riconosciute da un algoritmo di apprendimento automatico.

I metodi del Reticolo-unmixing tentano di rappresentare gli eventi continui della rilocazione dentro una cella. Facendo uso dell'apprendimento automatico, questo è fatto mediante la valutazione della parte che è presente in ciascuna delle posizioni sottocellulari.

Una volta che questo è stato analizzato, imparare i modelli generativi può essere usato per creare i nuovi modelli cellulari. Le nuove immagini sono sintetizzate hanno basato sulle immagini usate per preparare il modello. Ciò si è applicata alle celle HeLa in sia due che tre dimensioni. Ciò tiene conto lo studio sugli effetti di perturbagen e sui cambiamenti cellulari come conseguenza delle malattie e delle droghe.

Attivo che impara i metodi

Un sistema attivo di apprendimento automatico ha un metodo per lo sviluppo del modello premonitore dai dati disponibili e un metodo per utilizzare quel modello per decidere la raccolta di dati futura. Il sistema può, quindi, scegliere i punti di informazioni da raccogliere ed aggiungere ai dati attuali.

Uno dei problemi principali con la scoperta della droga sta tenendo la carreggiata ché composto effettua, in modo da pregiudicherà l'obiettivo senza alterare altri. Corrente, i ricercatori usano le vie, la comprensione e l'intuizione conosciute del segnale.

L'apprendimento automatico può aiutare lo streamline la selezione degli esperimenti sviluppando i modelli statistici di spazio tridimensionale a più con attenzione per scegliere quei pertinenti.

Applicazioni dell'apprendimento automatico nella scoperta della droga

Parecchie società stanno collaborando per risparmiare la moneta e lo sforzo sullo sviluppo infruttuoso della droga si adopera. Il gigante farmaceutico Pfizer ora ha impiegato un sistema di IBM Watson che usa l'apprendimento automatico per aiutare la sua ricerca delle droghe dell'immune-oncologia.

Simile a questo, Genetech del gruppo di Roche, un altro gigante farmaceutico, stanno collaborando per usare l'apprendimento automatico sui dati biomedici. Egualmente soprattutto metteranno a fuoco sull'immune-oncologia, usando la piattaforma causale dell'apprendimento automatico della sanità di GNS. Lo scopo è di scoprire e convalidare i candidati novelli potenziali della droga.

Genetech e GNS egualmente pianificazione studiare gli indicatori genetici di risposta, eventualmente per sviluppare le terapie mirate a. Questo principio, che si riferisce a generalmente come medicina personale, è veduto per essere il futuro di medicina. È creduto che l'apprendimento automatico possa contribuire a determinare che geni e marcatori genetici stanno collaborando con un trattamento potenziale.

Cause di potenziale e di apprendimento automatico per preoccupazione

Mentre l'apprendimento automatico è un progresso tecnologico stupefacente, può anche leggermente preoccuparsi. A fine giornata, l'apprendimento automatico conta su un gruppo di dati possibile e rappresentativo affinchè il modello sia costruito sopra. Ciò lo rende suscettibile di cosiddetta “immondizia dentro, sindrome dell'immondizia fuori„, dove gli input polarizzati possono causare gli output non rappresentativi.

Ancora, il per la matematica specifico dietro come l'apprendimento automatico realmente fa che cosa fa completamente non è capito. Mentre un informatico può ritocco i parametri delle reti neurali dentro il sistema di apprendimento automatico, non possono completamente spiegare il comportamento del modello.

Di conseguenza, il sistema di apprendimento automatico può dare una previsione, ma non dare una ragione per quella previsione. Ciò può creare un'esigenza indesiderata di un salto di fede quando decide delle vie e degli esperimenti critici del segnale nello sviluppo della droga.

Sorgenti

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). Apprendimento automatico nello sviluppo della droga. News-Medical. Retrieved on September 27, 2020 from https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx.

  • MLA

    Ryding, Sara. "Apprendimento automatico nello sviluppo della droga". News-Medical. 27 September 2020. <https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx>.

  • Chicago

    Ryding, Sara. "Apprendimento automatico nello sviluppo della droga". News-Medical. https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx. (accessed September 27, 2020).

  • Harvard

    Ryding, Sara. 2018. Apprendimento automatico nello sviluppo della droga. News-Medical, viewed 27 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.