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.

Optibrium publica estudio Par-Revisado comandante en usos del AI a los datos globales de Pharma

Optibrium limitó, proveedor de cabeza del software y las soluciones de la inteligencia (AI) artificial para el descubrimiento de la droga, anunciaron hoy la publicación de un estudio par-revisado en cartas aplicadas del AI, “imputación profunda en datos en grande del descubrimiento de la droga”.

Trabajando con el grupo de datos global propietario de los productos farmacéuticos de Takeda', la plataforma aumentada de Chemistry® del Optibrium aplicado personas, demostrando el potencial de la imputación de aprendizaje profunda de reducir costo y de perfeccionar índices de éxito de descubrimiento de la droga. La plataforma leverages el método de aprendizaje profundo de Alchemite™, desarrollada por Intellegens, y mostrada para entregar predicciones más exactas y más seguras de las propiedades biológicas complejas de drogas potenciales, habilitando decisiones de diseño más efectivas.

El estudio demostró eso que la imputación de aprendizaje profunda genera nuevos y valiosos discernimientos en pharma-escala global, de alto valor y propietarios grupos de datos. Tales grupos de datos son complejos, con los datos derivando de muchos diversos experimentos, incluyendo actividades compuestas en análisis bioquímicos y fenotípicos, los datos y amortiguación de la investigación de la alto-producción, distribución, metabolismo, eliminación, y las puntos finales de la toxicidad (ADMET).

Tomar las mejores decisiones en la progresión del proyecto en tales datos es complicada más a fondo por el hecho de que la mayoría de las composiciones potenciales de la droga están medidas en solamente un pequeño subconjunto de los experimentos que las compañías farmacéuticas y de Biotech utilizan rutinario, dando por resultado los grupos de datos donde solamente el algún por ciento de las mediciones posibles se ha hecho.

Además, las mediciones son muy ruidoso debido a la complejidad de experimentos biológicos. Mientras que estas características limitan la eficacia de la mayoría de los métodos del aprendizaje de máquina, el estudio confirmó que Chemistry® aumentado ofreció discernimientos valiosos en tales datos desafiadores.

El estudio también encontró eso imputación de aprendizaje profunda hecha predicciones más exactas las propiedades biológicas de las composiciones', incluyendo la predicción anticipada de actividades compuestas en el contexto de proyectos. Particularmente, mostró ventajas sustanciales en predecir las puntos finales complejas, tales como análisis célula-basados, que son recurso-intensivos y donde predicciones más exactas dan lugar a reducciones sustanciales del tiempo y de costes.

Además, el método determinó seguro las predicciones más exactas en las cuales basar decisiones, que es esencial de evitar perder las oportunidades valiosas que se presentan de predicciones inexactas. Destacó donde datos más experimentales se requieren para tomar una decisión confiada, fijándolo aparte del otro aprendizaje de máquina y los métodos del AI que luchan para ofrecer la información segura de la confianza en predicciones individuales.

A consecuencia de un estudio anterior, que demostró la eficacia de la imputación de aprendizaje profunda en grupos de datos proyecto-específicos más pequeños, este nuevo estudio mostró que el mismo método escala a los grupos de datos globales del pharma. El modelo descrito fue empleado 1,8 millones de puntos de referencias referente aproximadamente 700.000 composiciones y a 1.200 puntos finales experimentales. Cuando están aplicados en esta escala, los discernimientos en composiciones de alto valor y las estrategias de investigación aumentan exponencial.

Este estudio corrobora los enormes resultados que hemos visto en muchas colaboraciones con pharma, Biotech y organizaciones sin ánimo de lucro. Nos excitan para ver que las ventajas importantes que nuestra tecnología del AI está produciendo y que el entusiasmo para su absorción en la comunidad del pharma.”

Matthew Segall, CEO en Optibrium

Para ver un webinar resumiendo los resultados dominantes de este estudio, visite https://bit.ly/largescale_imputation.

Para más información sobre Optibrium, visite por favor www.optibrium.com, contacto [email protected] o llame +44 1223 815900.

Citations

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

  • APA

    Optibrium Ltd.. (2021, June 29). Optibrium publica estudio Par-Revisado comandante en usos del AI a los datos globales de Pharma. News-Medical. Retrieved on October 22, 2021 from https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx.

  • MLA

    Optibrium Ltd.. "Optibrium publica estudio Par-Revisado comandante en usos del AI a los datos globales de Pharma". News-Medical. 22 October 2021. <https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx>.

  • Chicago

    Optibrium Ltd.. "Optibrium publica estudio Par-Revisado comandante en usos del AI a los datos globales de Pharma". News-Medical. https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx. (accessed October 22, 2021).

  • Harvard

    Optibrium Ltd.. 2021. Optibrium publica estudio Par-Revisado comandante en usos del AI a los datos globales de Pharma. News-Medical, viewed 22 October 2021, https://www.news-medical.net/news/20210629/Optibrium-Publishes-Major-Peer-Reviewed-Study-on-AI-Applications-to-Global-Pharma-Data.aspx.