Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Aprendizaje de máquina en el revelado de la droga

El revelado de la droga es un proceso costoso y a menudo infructuoso. Muchas de las drogas investigadas inicialmente no se traen a la juicio clínica, y a muchas después que no sean aprobadas por el FDA u otras tablas similares.

El aprendizaje de máquina hace una parte activa en la clasificación con las cantidades inmensas de datos bioquímicos acumulada de la alta producción que ordena técnicas. Hace descubrimiento de la droga más eficiente.

Por ZolnierekHaber de imagen: Zolnierek/Shutterstock

Aprendizaje de máquina

El aprendizaje de máquina es el proceso por el cual una computador puede aprender sin la programación. Primero acuñado en 1959, el aprendizaje de máquina se ha convertido en desde entonces una realidad viable. Las computadores se introducen un algoritmo que se aplican para analizar y para aprender de datos.

La computador entonces hará una decisión o una predicción sobre datos relevantes. Utiliza las redes neuronales, que son los algoritmos que actúan semejantemente al cerebro humano en que toman entradas, las tramitan y ofrecen un rendimiento.

En su base, el aprendizaje de máquina implica el hacer de una línea de mejor ajuste en varias dimensiones de ofrecer la solución más óptima.

Hay varios tipos de aprendizaje de máquina, tales como aprendizaje de máquina vigilado, aprendizaje no supervisado y aprendizaje del refuerzo.

El aprendizaje de máquina vigilado es cuando los datos se introducen a la computador, pero estos datos incluyen la respuesta al problema para cada equipo de datos. De esto, el algoritmo puede aprender y hacer las predicciones futuras en nuevos conjuntos de datos.

El aprendizaje no supervisado incluiría los datos que no tiene un rendimiento. No habría respuesta a los datos que se introducen al algoritmo inicialmente, pero el algoritmo puede tomar las decisiones sobre las cuales las partes de los datos son más similares el uno al otro.

El aprendizaje del refuerzo es más circular. Una acción ocurre en un ambiente, que lleva a una recompensa y a una representación del estado, que reacción a la acción.

Métodos de la visión por ordenador

Perturbagens es composiciones de la pequeño-molécula, RNAs inhibitorio u otro compone procesos intracelulares que rompen. Los métodos de la visión por ordenador se pueden emplear para analizar éstos, en las cuales las características en imágenes se pueden calcular y reconocer por un algoritmo de aprendizaje de máquina.

Los métodos de la Configuración-unmixing tentativa explicar acciones contínuas del cambio de posición dentro de una célula. Usando el aprendizaje de máquina, esto es hecha fijando la porción que está presente en cada uno de las situaciones subcelulares.

Una vez que se ha analizado esto, el aprendizaje de modelos generativos se puede utilizar para crear nuevos modelos celulares. Se sintetizan las nuevas imágenes basaron en las imágenes usadas para entrenar al modelo. Esto se ha aplicado a las células HeLa en dos y tres dimensiones. Esto permite el estudio de los efectos del perturbagen y de los cambios celulares como resultado de enfermedades y de drogas.

Active que aprende métodos

Un sistema de aprendizaje activo de máquina tiene un método para construir un modelo profético de datos disponibles y un método para utilizar ese modelo para decidir a la colección de datos futura. El sistema puede, por lo tanto, elegir los puntos de referencias que se cerco y adicionales a los datos existentes.

Uno de los mayores problemas con descubrimiento de la droga está rastreando una qué composición efectúa, así que afectará al objetivo sin la alteración de otros. Actualmente, los investigadores hacen uso de caminos, de discernimiento, y de la intuición sabidos de la señal.

El aprendizaje de máquina puede ayudar a línea aerodinámica la selección de experimentos construyendo modelos estadísticos del espacio tridimensional a más cuidadosamente para elegir los relevantes.

Usos del aprendizaje de máquina en descubrimiento de la droga

Varias compañías están colaborando para salvar el dinero y el esfuerzo en el revelado fracasado de la droga se esfuerza. El gigante farmacéutico Pfizer ahora ha empleado un sistema de IBM Watson que utiliza el aprendizaje de máquina ayudar a su búsqueda para las drogas de la inmune-oncología.

Similar a esto, Genetech del grupo de Roche, otro gigante farmacéutico, están colaborando para utilizar el aprendizaje de máquina en datos biomédicos. También se centrarán sobre todo en la inmune-oncología, usando la plataforma causal del aprendizaje de la máquina de la atención sanitaria de GNS. El objetivo es descubrir y validar a candidatos nuevos potenciales de la droga.

Genetech y GNS también proyectan investigar marcadores genéticos de la reacción, esperanzadamente para desarrollar terapias apuntadas. Este principio, que se refiere generalmente como remedio personalizado, se considera para ser el futuro del remedio. Se cree que el aprendizaje de máquina puede ayudar a determinar qué genes y marcadores genéticos están trabajando así como un tratamiento potencial.

Causas del aprendizaje y del potencial de máquina por preocupación

Mientras que el aprendizaje de máquina es un avance tecnológico asombroso, puede también preocuparse ligeramente. Al final del día, el aprendizaje de máquina confía en un grupo de datos viable y representativo para que el modelo sea construido conectado. Esto hace susceptible a un supuesto “basura hacia adentro, síndrome de la basura fuera”, donde las entradas en polarización negativa pueden causar rendimientos irrepresentativos.

Además, la matemáticas específica detrás de cómo el aprendizaje de máquina hace real lo que lo hace no se entiende completo. Mientras que un informático puede pellizcar los parámetros de las redes neuronales dentro del sistema de aprendizaje de máquina, no pueden explicar completo el comportamiento del modelo.

Por lo tanto, el sistema de aprendizaje de máquina puede dar una predicción, pero no dar una razón de esa predicción. Esto puede crear una necesidad indeseada de un salto de la fe al decidir sobre caminos y experimentos críticos de la señal en el revelado de la droga.

Fuentes

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). Aprendizaje de máquina en el revelado de la droga. News-Medical. Retrieved on September 21, 2020 from https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx.

  • MLA

    Ryding, Sara. "Aprendizaje de máquina en el revelado de la droga". News-Medical. 21 September 2020. <https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx>.

  • Chicago

    Ryding, Sara. "Aprendizaje de máquina en el revelado de la droga". News-Medical. https://www.news-medical.net/life-sciences/Machine-Learning-in-Drug-Development.aspx. (accessed September 21, 2020).

  • Harvard

    Ryding, Sara. 2018. Aprendizaje de máquina en el revelado de la droga. News-Medical, viewed 21 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.