基于一次学习的低数据药物发现
机器学习
2016-11-11 v1 机器学习
摘要
机器学习的最新进展对药物发现做出了重大贡献。特别是深度神经网络已被证明在推断小分子化合物的性质和活性时能提供显著的预测能力增强。然而，这些技术的适用性受到需要大量训练数据的限制。在这项工作中，我们展示如何利用一次学习（one-shot learning）来显著降低药物发现应用中做出有意义预测所需的数据量。我们引入了一种新架构，残差LSTM嵌入（residual LSTM embedding），当与图卷积神经网络结合时，显著提高了在小分子上学习有意义距离度量的能力。我们将本工作中引入的所有模型作为DeepChem的一部分开源，DeepChem是一个用于药物发现中深度学习的开源框架。
引用
@article{arxiv.1611.03199,
title = {Low Data Drug Discovery with One-shot Learning},
author = {Han Altae-Tran and Bharath Ramsundar and Aneesh S. Pappu and Vijay Pande},
journal= {arXiv preprint arXiv:1611.03199},
year = {2016}
}