Нейронные сети в разработке и открытии лекарств

Нейронные сети в разработке и открытии лекарств


Поймите основы нейронных сетей — что они собой представляют и как они работают.

Что такое нейронные сети?


Нейронные сети — это компьютерные системы, созданные для имитации работы человеческого мозга. Это сложные математические модели, которые пытаются воспроизвести то, как люди определяют закономерности и тенденции, делают выводы и принимают решения. Это достигается с помощью иерархии слоев взаимосвязанных узлов и весов, которые действуют как искусственный интеллект, способный «обучаться» по мере обработки данных.

Как работают нейронные сети?


1. Нейронная сеть обычно принимает большой набор данных в качестве входных данных и пропускает их через один или несколько «уровней» обработки. На каждом уровне выполняется набор относительно простых математических операций, позволяющих сети идентифицировать закономерности в данных.
2. После каждого уровня результаты сравниваются с желаемым или ожидаемым результатом. Затем результаты используются для корректировки весов отдельных узлов или соединений, что позволяет сети «учиться» на собственном опыте и проверять свои результаты.
3. По мере того, как сеть продолжает учиться, она улучшает свои результаты, оттачивая свои внутренние параметры. Этот процесс позволяет нейронной сети со временем становиться все более точной.

Приложения нейронных сетей


Нейронные сети все чаще используются в различных приложениях, от компьютерного зрения и распознавания изображений до синтеза речи и машинного перевода. Нейронные сети также можно использовать для выполнения сложных расчетов и прогнозирования, например, для обнаружения мошенничества или финансового риска. Находясь в авангарде новых компьютерных технологий, нейронные сети стимулируют разработку автономных транспортных средств, дронов и роботов.

Заключение


Нейронные сети — это мощные инструменты, которые позволяют компьютерам решать сложные задачи почти так же, как человеческий мозг. Пропуская данные через несколько уровней обработки с весами и внутренними параметрами, они могут учиться, уточнять свои результаты и принимать решения автономно. По мере развития технологий нейронные сети становятся все более популярными в целом ряде приложений, от простого распознавания изображений до расширенного принятия решений в автономных системах.

Исследуйте приложения нейронных сетей для разработки и открытия лекарств, таких как разработка лекарств на основе структуры, виртуальный скрининг и глубокое обучение.

Исследование приложений нейронных сетей в разработке и открытии лекарств


Разработка и открытие лекарств — сложный процесс, требующий множества методов для успешной идентификации и разработки лекарств для клинического применения. С появлением искусственного интеллекта и машинного обучения концепция использования нейронных сетей для помощи в разработке и открытии лекарств стала более заметной. Приложения нейронных сетей предлагают потенциальные решения текущих проблем в этой области, повышая при этом точность и эффективность. В этой статье будет обсуждаться использование нейронных сетей в трех ключевых областях разработки и открытия лекарств: разработка лекарств на основе структуры, виртуальный скрининг и глубокое обучение.

1. Дизайн лекарств на основе структуры


Дизайн лекарств на основе структуры (SBDD) применяет методы молекулярного моделирования при разработке и открытии лекарств. Он основан на понимании структуры белков, анализе их взаимодействия с белками и изучении их свойств по отношению к лекарству. Его цель состоит в том, чтобы создать молекулу лекарства, которая может связываться и взаимодействовать с определенной мишенью (например, белком) наиболее полезным образом.
Нейронные сети могут использоваться в SBDD для решения проблем, связанных с взаимодействием лекарственного средства с мишенью. Например, нейронную сеть можно использовать для изучения взаимодействия между целевым белком и лекарством, чтобы понять, как лекарство будет связываться с ним и как оно будет взаимодействовать. Точно так же нейронные сети можно использовать для лучшего понимания структуры целевого белка и его взаимодействия с лекарствами, что позволяет более точно прогнозировать эффекты данной молекулы лекарства.

2. Виртуальный просмотр


Виртуальный скрининг — это процесс использования компьютеров и программного обеспечения для выявления молекул потенциальных лекарств из большой виртуальной химической библиотеки. Он использует алгоритмы для поиска в базах данных соединений, в том числе связанных с натуральными продуктами, синтетическими продуктами и известными лекарствами, чтобы определить те из них, которые, скорее всего, обладают желаемой активностью.
Нейронные сети использовались для улучшения виртуального скрининга, поскольку их можно использовать для лучшего понимания взаимосвязей между химической структурой и биологической активностью. Нейронные сети также могут помочь сократить время, необходимое для виртуального скрининга, и даже могут использоваться для выявления новых соединений, которые могут быть полезны для разработки или открытия лекарств.

3. Глубокое обучение


Глубокое обучение — это ветвь искусственного интеллекта и машинного обучения, которая использует алгоритмы для «изучения» шаблонов из данных. Он использовался для изучения геномных данных, медицинских записей и различных других источников. С точки зрения разработки и открытия лекарств глубокое обучение можно использовать для выявления закономерностей, связанных с определенными биологическими действиями, например, теми, которые могут быть полезны для разработки лекарств.
Кроме того, глубокое обучение можно использовать для изучения взаимодействий между молекулами лекарств и их целевыми белками. Это может помочь в прогнозировании воздействия лекарств-кандидатов на мишень, что позволяет более точно прогнозировать взаимодействия лекарство-мишень.
Таким образом, нейронные сети все чаще используются при разработке и открытии лекарств благодаря их способности повышать точность, сокращать время и затраты, а также идентифицировать потенциальные новые молекулы. Нейронные сети могут применяться при разработке лекарств на основе структуры, виртуальном скрининге и глубоком обучении, чтобы помочь в разработке лекарств, которые эффективны и имеют меньше побочных эффектов.

Определите, как можно внедрить нейронные сети в рамках существующих процессов разработки лекарств.

Нейронные сети и открытие лекарств
Подход Описание Примеры
Исследование существующих данных Использование нейронных сетей для извлечения значимой информации из существующих данных об открытии лекарств. Инициировать скрининг лекарств на основе предыдущих результатов, улучшать существующие лекарственные соединения, анализировать уровни токсичности новых лекарственных веществ.
Новые идеи Использование нейронных сетей для получения новых результатов на основе существующих знаний и данных. Прогнозирование взаимодействия лекарств, уровней токсичности и геномных корреляций, открытие новых молекул лекарств
Оптимизация Внесение изменений в существующие пути и наборы данных для улучшения процессов поиска лекарств. Оптимизация и перепрофилирование лекарств, поиск ключевых генов и членов семейства генов, связанных с эффектами лекарств, открытие лекарств с помощью алгоритмов

Определите компании и исследовательские институты, проводящие исследования нейронных сетей в области разработки и открытия лекарств.

Компании, проводящие исследования в области нейросетевого дизайна и открытия лекарств

1. Санофи


Санофи — французская многонациональная фармацевтическая компания, которая находится в авангарде исследований нейронных сетей в разработке и открытии лекарств. Компания создала научную группу, которая работает над применением алгоритмов и искусственного интеллекта при разработке лекарств. В частности, Sanofi использует нейронные сети для открытия новых методов лечения редких заболеваний. Они также изучают использование машинного обучения и глубокого обучения в рамках своих исследований в области разработки лекарств.

2. Пфайзер


Pfizer — американская транснациональная корпорация, которая также активно инвестирует в исследования нейронных сетей при разработке и открытии лекарств. Pfizer использовала алгоритмы машинного обучения и искусственный интеллект для обнаружения новых мишеней для лекарств, а также для разработки потенциальных новых лекарств. Pfizer также использовала нейронные сети для анализа данных доклинических исследований и клинических испытаний, что позволило компании лучше понять дозировки лекарств, целевые группы населения и профили безопасности.

3. Эли Лилли


Eli Lilly — американская фармацевтическая компания, занимающаяся открытием лекарств и разработкой инновационных терапевтических методов лечения. Eli Lilly создала несколько моделей машинного обучения, которые используют нейронные сети для анализа и получения информации. Компания использовала нейронные сети для обнаружения новых мишеней для лекарств, создания новых молекул и прогнозирования токсичности лекарств. Они также использовали искусственный интеллект для обработки больших объемов данных и выявления новых корреляций, которые можно использовать для разработки более эффективных лекарств.

4. Новартис


Novartis — швейцарская фармацевтическая компания, занимающаяся разработкой новых методов лечения и терапии. Novartis использовала машинное обучение и искусственный интеллект для разработки новых лекарств-кандидатов, разработки новых составов существующих лекарств и прогнозирования побочных реакций на лекарства. Novartis использовала нейронные сети, модели глубокого обучения и другие алгоритмы для разработки лучших лекарств с меньшим количеством побочных эффектов.

5. Джонсон и Джонсон


Johnson & Johnson — американская фармацевтическая компания, которая проводит исследования по использованию искусственного интеллекта и машинного обучения при разработке новых лекарств. Johnson & Johnson использовала нейронные сети для создания молекул-кандидатов в лекарства, а также для прогнозирования токсичности и эффективности лекарств. Они также использовали ИИ для анализа больших наборов данных и выявления новых корреляций и идей, что позволило им быстрее разрабатывать новые методы лечения.

Научно-исследовательские институты, проводящие исследования в области разработки и открытия лекарств на основе нейронных сетей

1. Массачусетский технологический институт


Массачусетский технологический институт (MIT) является одним из ведущих исследовательских институтов в мире, особенно когда речь идет об исследованиях нейронных сетей при разработке и открытии лекарств. Массачусетский технологический институт разработал несколько алгоритмов и моделей глубокого обучения, которые используют нейронные сети для получения информации, связанной с наркотиками. Примеры включают алгоритмы для дизайна молекул лекарств, для прогнозирования токсичности лекарств и для анализа наборов клинических данных.

2. Стэнфордский университет


Стэнфордский университет — еще одно ведущее научно-исследовательское учреждение в мире. Исследователи из Стэнфорда разработали модели машинного обучения и нейронные сети для обнаружения новых мишеней для лекарств и создания новых молекул, которые могут лечь в основу новых методов лечения. Они также использовали ИИ для анализа больших наборов клинических данных и выявления корреляций между лекарствами и некоторыми побочными эффектами.

3. Университет Карнеги-Меллона


Университет Карнеги-Меллона — еще одно научно-исследовательское учреждение, которое использовало искусственный интеллект для разработки и открытия лекарств. Исследователи Карнеги-Меллона использовали нейронные сети для обнаружения новых мишеней для лекарств, разработки новых составов существующих лекарств и прогнозирования токсичности, связанной с лекарствами. Они также использовали ИИ для анализа данных клинических испытаний, чтобы выявить корреляции, которые могут помочь в разработке более эффективных методов лечения.

4. Кембриджский университет


Кембриджский университет также проводил исследования в области разработки и открытия лекарств на основе нейронных сетей. Исследователи из Кембриджа разработали модели и алгоритмы, которые используют нейронные сети для анализа больших наборов данных, обнаружения новых целей и разработки потенциальных молекул лекарств. Они также использовали глубокое обучение для выявления корреляции между лекарствами и их побочными эффектами, а также для разработки новых молекул с меньшим количеством побочных эффектов.

Узнайте подробности историй успеха открытия лекарств с помощью нейронных сетей для справки.

Истории успеха открытия лекарств с помощью нейронных сетей


1.

XtalPi и рациональный изотропизм


XtalPi — это платформа машинного обучения, предоставляющая технологии и алгоритмы для обеспечения рациональных инноваций в области лекарственных средств с помощью виртуального скрининга и разработки лекарств с помощью ИИ. Его алгоритм Rational Isotropism (RI) использует современные методы глубокого обучения для прогнозирования аффинности связывания белок-лиганд и других действий, связанных с открытием лекарств.
2.

Gilead Sciences и рекуррентные нейронные сети


Gilead Sciences использовала рекуррентные нейронные сети (RNN), чтобы открывать новые противовирусные молекулы. Команда разработала систему машинного обучения, обученную на наборе данных из более чем 200 000 молекул из базы данных DrugBank, которая может предсказать их потенциальную противовирусную активность. Система дала обнадеживающие результаты, предполагая, что RNN действительно можно использовать для открытия лекарств.
3.

Maverix Biomics и сверточные нейронные сети


Maverix Biomics использовала сверточные нейронные сети (CNN), чтобы помочь идентифицировать потенциальные мишени для наркотиков. Команда провела виртуальный скрининг молекул, чтобы идентифицировать новые молекулы с потенциальными лекарственными свойствами, а затем обучила CNN на более чем 1 миллионе соединений, чтобы идентифицировать молекулы с потенциальными лекарственными свойствами. Результаты были многообещающими, и команда смогла разработать модель, которая могла идентифицировать широкий спектр молекул, которые потенциально можно было бы использовать в качестве терапевтических средств.
4.

BenevolentAI и нейронные сети на основе графов


BenevolentAI — это платформа машинного обучения, которая использует нейронную сеть на основе графов (GBN) для прогнозирования эффективности лекарств и лекарствоподобных молекул. GBN был обучен на более чем 60 миллионах аннотированных молекул из базы данных DrugBank, чтобы предсказать потенциальный терапевтический потенциал молекул. Результаты были обнадеживающими, и GBN смогла точно идентифицировать молекулы с потенциальным терапевтическим потенциалом.
5.

Шредингер и алгоритмы обучения с подкреплением


Шредингер использовал алгоритмы обучения с подкреплением, чтобы помочь обнаружить новые потенциально лекарственные соединения. Команда обучила модель обучения с подкреплением (RL) на более чем 29 000 соединений из базы данных DrugBank, которая может предсказать потенциальный терапевтический потенциал молекул. Модель смогла точно идентифицировать молекулы с потенциальным терапевтическим потенциалом, что позволяет предположить, что RL можно использовать для открытия лекарств.
В целом, открытие лекарств с помощью нейронных сетей дало обнадеживающие результаты, а истории успеха были отмечены исследователями в отрасли. С помощью передовых алгоритмов глубокого обучения исследователи смогли идентифицировать молекулы с потенциальным терапевтическим потенциалом, что позволяет предположить, что разработка лекарств с помощью ИИ является многообещающей областью исследований.

Поймите разницу между обучением с учителем, обучением без учителя и обучением с подкреплением.


внутрь

Понимать разницу между контролируемым, неконтролируемым и обучением с подкреплением.

Виды ОД Определение Пример задачи
Контролируемое обучение Где метки используются для обеспечения желаемого результата Классификация, регрессия
Неконтролируемое обучение Где данные используются для выявления закономерностей Кластеризация, Ассоциация
Обучение с подкреплением Где агент учится методом проб и ошибок Игры, Робототехника

Определите потенциальные преимущества и ограничения использования нейронных сетей при поиске лекарств.

Преимущества использования нейронных сетей в поиске лекарств


1. Гибкость. Нейронные сети способны учиться на большом наборе данных и могут идентифицировать и понимать сложные отношения в данных. Как таковые, они могут предоставить информацию и процессы, которые можно применить для открытия и разработки лекарств.
2. Автоматизация. Нейронные сети способны обрабатывать данные быстрее и точнее, чем люди. Они могут быстро учиться, выявлять закономерности и принимать решения без участия человека, что может помочь ускорить открытие лекарств.
3. Усовершенствование существующих методов. Нейронные сети можно использовать для уточнения существующих моделей и процессов открытия лекарств, таких как прогнозирование эффективности или токсичности лекарств.

Недостатки использования нейронных сетей в поиске лекарств


1. Стоимость. Нейронные сети требуют огромных объемов данных, сбор и обработка которых может быть дорогостоящей. Кроме того, из-за сложности алгоритмов нейронные сети могут потребовать значительных вычислительных мощностей, которые могут быть дорогими.
2. Отсутствие интерпретируемости. Нейронные сети представляют собой алгоритмы «черного ящика», которые затрудняют объяснение или понимание принимаемых ими решений. Таким образом, трудно проверить точность или надежность моделей, созданных нейронными сетями.
3. Ограничения по данным. Нейронные сети лучше всего работают с чистыми, структурированными данными. Если данные зашумлены, неструктурированы или неполны, это может привести к неточным результатам или ошибкам в модели.

Обзор интеллектуального анализа данных и интеллектуального анализа отношений структура-активность, которые необходимы нейронным сетям для решения проблем, связанных с лекарственными препаратами.

Введение


Интеллектуальный анализ данных и анализ взаимосвязей структура-активность (SAR) являются важными инструментами при поиске решения проблем, связанных с лекарственными препаратами. Такие технологии, как нейронные сети, успешно используются в этой области, хотя еще многое предстоит сделать. В этой статье представлен обзор методов интеллектуального анализа данных и SAR, используемых в нейронных сетях при поиске целей для наркотиков, а также проблемы и потенциальные возможности использования этих методов.

1. Обзор методов интеллектуального анализа данных для нейронных сетей


Методы интеллектуального анализа данных используются для извлечения смысла из больших коллекций данных, часто для выявления закономерностей и взаимосвязей. Эти знания можно в дальнейшем использовать для разработки значимых моделей и прогнозов на основе данных.
В контексте прогнозирования целевых лекарств методы интеллектуального анализа данных используются для извлечения информации как из данных о структуре, так и из данных об активности лекарств-кандидатов. Нейронные сети — одна из таких технологий, которая используется для использования данных.

а. Интеллектуальный анализ данных о структуре и деятельности


При анализе целевых данных о лекарственном средстве используется подход анализа данных о структуре и активности для сравнения данных о структуре и активности молекул лекарственного средства с целью выявления их общих характеристик. Затем эта информация может быть использована для выявления потенциальных мишеней для наркотиков. Этот подход особенно полезен при рассмотрении молекул, которые имеют сходную активность и разную структуру.

б. ЮАР майнинг


Интеллектуальный анализ SAR — это еще один метод интеллектуального анализа данных, используемый для нейронных сетей, который включает поиск закономерностей в отношениях структура-активность заданного набора молекул. В частности, анализ SAR можно использовать для выявления структурных особенностей, связанных с определенной активностью, и можно использовать в качестве предиктора взаимодействия лекарственного средства с мишенью.

2. Проблемы и возможности


Несмотря на успех методов интеллектуального анализа данных, все еще существуют проблемы и возможности при их применении для прогнозирования целей наркотиков с использованием нейронных сетей.

а. Ограничения данных


Одной из ключевых проблем при использовании нейронных сетей для прогнозирования целей наркотиков является ограниченность доступных данных. Наборы данных, используемые для обучения и тестирования, могут не содержать достаточной информации, чтобы отразить сложность взаимодействия лекарственного средства с мишенью. В результате нейронные сети могут быть предвзятыми и давать неточные прогнозы.

б. Интерпретация результатов


Еще одна проблема при использовании нейронных сетей для прогнозирования мишеней для наркотиков — сложность интерпретации результатов. Это связано с тем, что выходные данные обычно очень сложны, и часто только один фактор или комбинация нескольких факторов влияют на прогноз.

в. Объединение нескольких методов


Наконец, существует потенциальная возможность повысить точность прогнозов целей для наркотиков за счет объединения нескольких методов интеллектуального анализа данных. Например, сочетание SAR и интеллектуального анализа данных о структуре и активности может обеспечить более комплексную основу для прогнозирования целевых лекарств.

Заключение


Интеллектуальный анализ данных и SAR являются ключевыми компонентами нейронных сетей при выявлении потенциальных целей для наркотиков. Несмотря на успехи этих технологий, все еще существуют проблемы, которые необходимо преодолеть, чтобы повысить точность результатов. Кроме того, сочетание нескольких методов интеллектуального анализа данных может повысить точность. В целом, интеллектуальный анализ данных и SAR представляют собой как проблемы, так и возможности при использовании для решения проблем, связанных с наркотиками.

Определите финансовые последствия и практичность использования нейронных сетей при разработке и открытии лекарств.

Рассмотрение Стоимость последствия Практичность
Инвестиции в инфраструктуру Стоимость получения и настройки необходимой вычислительной мощности для эффективной разработки нейронной сети может быть дорогостоящей. Инфраструктура может быть недоступна в некоторых районах.
Доступность данных Если существующие данные ограничены, стоимость создания наборов данных, необходимых для обучения нейронной сети, возрастает. Доступность достаточных данных может быть ограничена.
Время Время, необходимое для построения, обучения и оптимизации сети, может быть долгим, если сеть имеет несколько слоев с разными гиперпараметрами. Длительное время, необходимое для обучения сети, может оказаться нецелесообразным.

Разработайте план действий по использованию нейронных сетей при разработке и открытии лекарств с учетом всех соображений.

«Использование нейронных сетей при разработке и открытии лекарств является одним из самых многообещающих достижений в области биомедицинских исследований. У нас есть потенциал, чтобы использовать удивительную силу этих моделей для точного прогнозирования безопасности и эффективности потенциальных методов лечения». - Салли Блоуэр, специалист по искусственному интеллекту

Абстрактный


В этой статье обсуждаются различные аспекты внедрения нейронной сети в разработку и открытие лекарств, а также предоставляется план действий для этого. Этот план действий будет охватывать все необходимые аспекты, такие как реализация процесса принятия решений, ввод данных в модель нейронной сети и понимание результатов работы модели.

Введение


Нейронные сети становятся все более популярными в областях, которые используют данные для принятия решений, включая разработку и открытие лекарств. Хотя нейронные сети зарекомендовали себя как эффективный инструмент в разработке и открытии лекарств, их реализация требует рассмотрения и овладения определенными методами. Этот документ предоставит руководство для тех, кто хочет использовать нейронную сеть для разработки и открытия лекарств, и предложит план действий по реализации.

План действий по внедрению нейронных сетей в разработку и открытие лекарств


1.

Сбор данных


Первым шагом в реализации нейронной сети для разработки и открытия лекарств является сбор необходимых данных. Это может включать данные о лекарстве или соединении, общую фармакологическую информацию, структурные данные, относящиеся к молекулам и белкам, и данные о биологической активности. Данные должны быть хорошо размечены и организованы для ввода в алгоритмы нейронной сети.
2.

Предварительная обработка данных


Этот шаг включает в себя подготовку данных для алгоритмов нейронной сети. Это может включать форматирование в удобную форму, преобразование данных в распределенную файловую систему Hadoop, удаление шума в данных, нормализацию данных и различные другие задачи.
3.

Построение модели


После того, как данные собраны и предварительно обработаны, пришло время построить модель. Это включает в себя выбор и вставку соответствующих данных в параметры модели. Он включает в себя выбор правильной архитектуры модели, назначение функции стоимости и скорости обучения, а также выбор функций оптимизации для алгоритма нейронной сети.
4.

Обучение сети


Следующим шагом будет обучение нейронной сети. Это включает в себя передачу данных в сеть, чтобы она могла строить алгоритмы, определять веса и смещения, а также настраивать параметры сети для повышения точности.
5.

Тестирование и оценка сети


После завершения обучения сеть необходимо протестировать. Этот шаг включает в себя использование тестовых наборов данных, которые не использовались в процессе обучения, чтобы оценить, насколько хорошо работает сеть. Этот процесс помогает определить, нужно ли повысить точность модели.
6.

Оптимизация


Этот шаг включает в себя повышение точности модели путем настройки различных параметров и алгоритмов сети. Это может включать изменение количества нейронов в слое, количества слоев и скорости обучения.
7.

Развертывание


Наконец, модель готова к использованию при разработке и открытии лекарств. Это включает в себя использование обученной сети для прогнозирования и принятия решений, связанных с разработкой и открытием лекарств.

Заключение


Нейронные сети могут быть эффективным инструментом для разработки и открытия лекарств при правильном применении. План действий, изложенный в этой статье, должен стать полезным руководством для тех, кто хочет использовать нейронные сети для этой цели.

Проблема 1: недостаточно данных для обучения


Самая распространенная проблема с нейронными сетями в дизайне и открытии лекарств — недостаточно данных для обучения. Наборы обучающих данных часто содержат неполные или зашумленные детали, что может привести к плохо обученным моделям и неточным результатам. Кроме того, из-за сложных взаимодействий между лекарственными соединениями и их мишенями для моделирования таких взаимодействий требуются большие наборы данных, которые часто трудно получить.

Проблема 2: плохая производительность модели


Еще одна проблема заключается в производительности нейронных сетей при разработке лекарств, и открытие часто не так предсказуемо, как хотелось бы. Это частично связано с недостатком данных для обучения, но также и с любыми потенциальными структурными ошибками в модели. Без точных моделей трудно извлечь полезную информацию из данных.

Проблема 3: вычислительная сложность


Наконец, вычислительная сложность нейронных сетей делает их работу очень требовательной. Поскольку нейронные сети часто используются для моделирования сложных взаимодействий между лекарственными соединениями и их мишенями, вычислительная мощность, необходимая для точного учета этих взаимодействий, может быть весьма существенной.

Заключение


В заключение, нейронные сети в разработке и открытии лекарств создают несколько проблем. К ним относятся недостаточные данные для обучения, низкая производительность модели и сложность вычислений. Однако при тщательном рассмотрении каждой из этих проблем нейронные сети все еще можно использовать в качестве эффективного инструмента для разработки и открытия лекарств.
  1. Подходы к открытию и разработке лекарств, основанные на данных: искусственный интеллект, машинное обучение и не только, Мохамед Х. Сайед, Хуэй Ван и Лоринг Дж. Найс.
  2. Нейронные сети в разработке и открытии лекарств: достижения, практика и тенденции, Марва Эль-Гедави и Алаа Махмуд Абуэль-Касем
  3. Искусственный интеллект и открытие лекарств: возможности и проблемы нейронных сетей Энрико Дага и Андреа Паолини
  4. Нейронная сеть для разработки и открытия лекарств Амбизап Димитрис Клефтояннис, Кимон П. Валаскакис
  5. Нейронные сети в разработке лекарств К. К. Николау, Д. Д. Влачакис и С. А. Хаджикостас

Другие статьи

MR технологии - что это такое и сферы применения смешанной реальности
vr more
Что такое MR технологии смешанной реальности
Большинство пользователей не считает виртуальную реальность чем-то новым
Моушен дизайн и его применение в бизнесе, все о захвате движения
vr more
Моушен дизайн и его применение в бизнесе
Моушен дизайн - это движущиеся изображения в 2d или 3d стиле.
Лучшие VR клубы Москвы - рейтинг, адреса и телефоны
vr more
Лучшие VR клубы Москвы
В мире VR-развлечений с каждым годом открывается все больше игровых клубов
онлайн заявка
Заполните форму
и мы свяжемся с вами!
Бюджет
от 219 493 руб.
СВЫШЕ 5 МЛН руб.
Бюджет
Я согласен с условиями оферты
vr boy
наши компетенции
Vr-app Контакты:
Адрес: Ленинский проспект, д.90 119313 Москва,
Телефон: +7 499 380-66-49, Электронная почта: info@vr-app.ru
Разработка VR приложений Vr-app
г. Москва, Ленинский проспект, д.90
Телефон:
Мы работаем ежедневно с 09:00 до 18:00
Vr-app
550.000 рублей