院况简介
北京前沿科学技术研究院（简称“北前科学院”）成立于2016年9月，北前科学院，是由北京中科光析科学技术研究所，北检（北检）检测技术研究院，标检（北京）质量检测中心等科研单位，组建成立的独立科学科研机构，致力于前沿科学领域的研究与创新人才培养，科学技术转移孵化等，世界前沿新科学普及传播。 更多简介 +
院领导集体
前沿信息
基础科学
工程科技
人工智能（AI）是一种酶到目前为止，AI应用程序通常具有“黑框”字符：HowAI到达的AI结果被隐藏教授博士ü；波恩大学的信息科学专家rgenBajorath和他的团队开发了一种方法，揭示了药物研究中的某些AI应用结果是令人期待的：在预测药物效力时，Ip程序是一个公认的、公认的、经过长期学习的特定化学作用该结果现已在NatureMachineIntelligence中发布
什么药物分子最有效？研究人员正在狂热地寻找有效的抗癌药物来治疗疾病这些蛋白质通常是一种酶受体，具有特定的生理作用链在某些情况下，某些分子可能会将不希望的反应锁定在体内——比如过度的炎症反应鉴于有大量可用的化学成分，这项研究的第一页就像是在寻找答案药物总是试图使用科学模型来预测哪些分子最能与相应的靶蛋白结合并牢固结合这些潜在的候选药物在更详细的实验研究中得到了研究
自从人工智能的进步以来，使用机器学习应用程序对药物发现的搜索也在增加作为一个“图形神经网络”（GNN）为这些应用程序提供了几个机会之一例如，他们可以预测某些分子与靶蛋白的结合强度总之，GNN模型是四线图，显示了由蛋白质和化学化合物（配体）形成的复合物图形通常与显示对象的节点和显示节点之间关系的数据有关蛋白质-配体复合物的入口代表，边缘连接蛋白或配体节点，分别代表其结构，或蛋白质和配体节点，代表特定的蛋白质-配体相互作用
Prof说：“GNN是如何在预测中分裂的，就像一个我们看不到的盒子。”博士ü；rgenBajorath化学信息来自波恩大学的LIMESI研究所，波恩-亚琛国际信息技术中心（B-IT）拉马尔机器学习和人工智能研究所与罗马萨皮恩扎大学的同事们一起，深入分析了图形神经网络是否真正学习了蛋白质配体和相互作用，以预测活性物质与靶蛋白的结合强度
应用程序工作如何
我们使用第一种专门开发的“EdgeSHAPer”方法和概念上不同的比较方法，分析了一组不同的GNNA体系结构计算机程序“屏幕”显示GNN是否学习了复合物和蛋白质之间的刺激性重要作用，然后通过预测搜索者的预期和预期，或AI是否以其他方式到达预测该研究的第一作者、来自罗马萨皮恩扎大学的Andrea Mastropetro博士说：“GNN完全取决于他们所研究的数据巴哈拉斯集团在波恩
科学家用从蛋白质连接物和复合物结构中提取的图来筛选GNN，其中复合物对其靶蛋白的脱氧作用和结合强度已从实验中得知训练后的GNN在其他复合体中进行了测试随后的脑脊髓炎分析使我们有可能了解GNN是如何产生明显的损伤预测的
Prof解释道：“如果GNN达到了预期的水平，它们需要了解复合物和靶蛋白之间的相互作用，应该在特异性相互作用之前确定。”巴乔拉斯然而，根据研究小组的分析，xGNN最终未能做到这一点大多数GNN只学习了很少的蛋白质-药物相互作用，主要关注配体Bajorath：“在预测分子与靶蛋白的结合强度时，模型主要是‘记忆’的化学相似分子，这些分子在训练和结合数据中被抵消，而不是靶蛋白。这些学习的化学相似性是基本确定的预测。”
根据科学家的说法，这是“聪明的汉斯效应”的一个重要组成部分。这种效应指的是一种明显可以计算的东西Hanstaperdhoufw经常被认为表示计算的结果然而，随着时间的推移，这两位同事的计算结果完全不同，但他们从公司的面部表情和姿势中的细微差别中得出了意想不到的结果
这些发现对RugDiscoverySearch意味着什么？“GNN在活性物质和蛋白质之间的化学作用通常是不成立的，”化学信息专家说由于使用化学知识和简单方法预测了等效质量，因此预测结果大大超过预期然而，人工智能的机会也越来越多当最新组件的可能性增加时，显示了两个GNNexamined模型，以了解更多交互巴乔拉斯说：“这里值得仔细观察。”也许这些GNN可以通过修改代表和训练技术在预期方向上得到进一步改进然而，基于分子图谱可以得出物理量的假设应该谨慎对待“AI不是黑魔法，”Bajorath说
更加轻盈地进入AI标记
事实上，这些之前开放访问的dgeshaper出版物和其他专门开发和分析的工具是一种折衷的方法，可以在图像模型的包装盒上显示Histeam的方法目前主要集中在GNN和新的“化学调用管理模型”上。Bajorath说：“开发解释复杂模型预测的方法是研究的一个重要组成部分。还有其他网络架构的方法，如语言管理模型，有助于了解机器学习是如何获得结果的。”他预计，这些引用将很快在拉马尔研究所的“可解释人工智能”字段中发生，他是生命科学的PI和AI主席
来源:
Materials provided by
University of Bonn.
注明: Content may be edited for style and length.
参考:
2024-01-20
2024-01-20
2024-01-20
2024-01-20
2024-01-20
北前院微信公众号
