
本研究は、異種の豊富なデータソースから情報を統合するデータベースエンジニアリングシステムを提示し、トルネード発生の予測に役立てることを目的としている。


coremsg

大規模データ分析のためのデータベースエンジニアリングシステム-トルネード気候学


大規模データ分析のためのデータベースエンジニアリングシステム：トルネード気候学


title_rewrite


従来の複雑な深層学習アプローチではなく、適切なデータと表現を使用することで、従来の機械学習アルゴリズムでも優れた予測性能を達成できることを示した。


Researchers have adopted model-centric artificial intelligence (AI) approaches in cheminformatics by using newer, more sophisticated AI methods to take advantage of growing chemical libraries. It has been shown that complex deep learning methods outperform conventional machine learning (ML) methods in QSAR and ligand-based virtual screening[1][1]–[3][2] but such approaches generally lack explanability. Hence, instead of developing more sophisticated AI methods (i.e., pursuing a model-centric approach), we wanted to explore the potential of a data-centric AI paradigm for virtual screening. A data-centric AI is an intelligent system that would automatically identify the right type of data to collect, clean and curate for later use by a predictive AI and this is required given the large volumes of chemical data that exist in chemical databases – PubChem alone has over 100 million unique compounds. However, a systematic assessment of the attributes and properties of suitable data is needed. We show here that it is not the result of deficiencies in current AI algorithms but rather, poor understanding and erroneous use of chemical data that ultimately leads to poor predictive performance. Using a new benchmark dataset of BRAF ligands that we developed, we show that our best performing predictive model can achieve an unprecedented accuracy of 99% with a conventional ML algorithm (SVM) using a merged molecular representation (Extended+ ECFP6 fingerprints), far surpassing past performances of virtual screening platforms using sophisticated deep learning methods. Thus, we demonstrate that it is not necessary to resort to the use of sophisticated deep learning algorithms for virtual screening because conventional ML can perform exceptionally well if given the right data and representation. We also show that the common use of decoys for training leads to high false positive rates and its use for testing will result in an over-optimistic estimation of a model’s predictive performance. Another common practice in virtual screening is defining compounds that are above a certain pharmacological threshold as inactives. Here, we show that the use of these so-called inactive compounds lowers a model’s sensitivity/recall. Considering that some target proteins have a limited number of known ligands, we wanted to also observe how the size and composition of the training data impact predictive performance. We found that an imbalance training dataset where inactives outnumber actives led to a decrease in recall but an increase in precision, regardless of the model or molecular representation used; and overall, we observed a decrease in the model’s accuracy. We highlight in this study some of the considerations that one needs to take into account in future development of data-centric AI for CADD.

### Competing Interest Statement

A. Chong, W.W.B. Goh , and H.Y. Li receive funding support from Nanyang Biologics. The authors have no other relevant affiliations or financial involvement with any organisation or entity with a financial interest in or financial conflict with the subject matter or materials discussed in the manuscript apart from those disclosed.

 [1]: #ref-1
 [2]: #ref-3

Establishing the foundations for a data-centric AI approach for virtual drug screening through a systematic assessment of the properties of chemical data

化学データの特性の体系的な評価を通じて-仮想薬物スクリーニングのためのデータ中心型aiアプローチの基盤を確立する


化学データの特性の体系的な評価を通じて、仮想薬物スクリーニングのためのデータ中心型AIアプローチの基盤を確立する



大規模言語モデルは、データ中心のタスクを解決するために重要であり、適切な入力データの量と選択が性能に影響する。


大規模言語モデルを使用してデータ中心のタスクを解決する


エコーステートネットワークを使用したマルチエージェント強化学習は、歩行者ダイナミクスにおいて有効であることが示された。


歩行者ダイナミクスにおけるエコーステートネットワークを用いたマルチエージェント強化学習の効果的な適用


MSD-Mixerは、時系列データのマルチスケール分解とモデリングを可能にする革新的な手法であり、他の最先端アルゴリズムを大幅に上回る性能を示す。


時系列分析のためのマルチスケール分解mlp-mixer


時系列分析のためのマルチスケール分解MLP-Mixer



複雑な問題を分解し、ステップバイステップで生成されたデータがモデルの性能向上に有効であることを示す。


複合問題解決のためのllmによるデータ生成手法の提案と実験結果


複合問題解決のためのLLMによるデータ生成手法の提案と実験結果



合成データは実世界のデータを置き換える可能性がありますが、ドメイン間のギャップを埋めるために柔軟なデータ生成器が重要です。


合成データの同等性-代替可能性-柔軟性について


合成データの同等性、代替可能性、柔軟性について



公開システムにおける需要予測の課題を解決するため、カルトグラムアプローチを活用した深層学習フレームワークが提案されている。


公開システムにおけるカルトグラム支援深層学習による需要予測の向上


C2TSDは、時間的な分離と対照学習を組み合わせた条件付き拡散フレームワークであり、優れた性能を示します。


時空間補完のための時間的に分離された対照拡散モデル


オンライン時系列予測モデルの更新において、概念の変化を迅速に適応する新しいアプローチが重要である。


オンライン時系列予測における概念変化への対処