<h1>Programinė kompiuterinės technologijos taikymas iš medicininės naujųjų vaistų tyrimo srities į LLM’us hallucinacijų sumažinimui</h1> <p><span class="infobox">2024-12-05</span></p> <h2>Revoliucija GitHub projektai: Automatinis vaistų paieškos procesas su dirbtiniu intelektu (AI)</h2> <p>Dirbtinio intelekto (AI) integracija į medicininį naujųjų vaistų tyrimą revolucionoje transformuoja farmacinę pramone. Atviro kodo projektai GitHub platformoje vaidina svarbų vaidmenį. Šiame dokumente pateikiami išsami informacija apie kai kuruosius inovatyviausius projektus, kurie skatina automatinę vaistų paiešką su AI.</p> <h3>DeepChem: Atidaras platforma giliam mokinimui cheminėje pramonėje</h3> <p><a href="https://github.com/deepchem/deepchem">DeepChem</a> yra pirmaujanti atviro kodo biblioteka, kuri leidžia pasinaudoti giliu mokymu cheminėse programose. Jame įeina įrankiai: </p> <ul> <li><strong>Molekulės modeliavimas</strong></li> <li><strong>Proteino struktūros prognozavimas</strong></li> <li><strong>Materialų mąstymas</strong></li> </ul> <p>Dankomg DeepChem paliaujantį sąsajos interaktyvumą, tyrinėtojai gali įgyvendinti sudėtingus AI modelius be gilių programavimo žinių. Tai padidina naujų vaistų atradimo greitį ir skatina pramonės inovacijas.</p> <h3>MoleculeNet: Benchmark'as AI cheminėje srityje</h3> <p><a href="https://github.com/deepchem/moleculenet">MoleculeNet</a> yra išsamus benchmark'ų sistema, kurią sukūrėme specialiai dirbtiniam mokymui chemijoje. Jame pateikiama: </p> <ul> <li><strong>Standartizuoti duomenys</strong></li> <li><strong>Vertinimo matmenys</strong></li> <li><strong>Modelio performanseis palyginimas</strong></li> </ul> <p>Teikiant vienodus benchmark'us, MoleculeNet padidina skirtingų AI modelių palygintį ir taip skatina progresą vaistų paieškoje.</p> <h3>ATOM Modeling PipeLine (AMPL): Praplatus naujųjų vaistų atradimas</h3> <p>Projektas <a href="https://github.com/ATOMconsortium/AMPL">ATOM Modeling PipeLine</a>, kurį organizuoja ATOM konsorciumas, siekia pagrebti naujųjų vaistų kūrimą su dirbtiniu mokymu. AMPL suteikia: </p> <ul> <li><strong>Modularų duomenų apdorojimo magistralę</strong></li> <li><strong>Automatinis modelio treniruotimas</strong></li> <li><strong>Išplečiamos architektūros įvairiems atvejams</strong></li> </ul> <p>Su AMPL tyrinėtojai gali efektyviai kurti sudėtingus modelius, todėl naujų vaistų atradimas vyksta greičiau ir mažiau laiko reikia. </p> <h3>Chemprop: Molekulinių savybių prognozavimas su giliu mokymu</h3> <p><a href="https://github.com/chemprop/chemprop">Chemprop</a> naudoja grafines neuronines망es, siekdamas prognozuoti molekulines savybes. Jame įeina: </p> <ul> <li><strong> Aukšta prognozavimo tikslumas</strong></li> <li><strong>Konfigūruojamos modelio architektūros</strong></li> <li><strong>Parametrai, palaikantys įvairius cheminius duomenis</strong></li> </ul> <p>Chemprop pasirodė puikiame renginyje ir yra vertinga priemonė AI pagrįstai chemijoje.</p> <h3>DeepPurpose: Universalus instrumentų rinkinys naujųjų vaistų kūrimui</h3> <p><a href="https://github.com/kexinhuang12345/DeepPurpose">DeepPurpose</a> yra išsamus giliųjų mokymų instrumentų rinkinys vaistų tyrimams. Jame įeina: </p> <ul> <li><strong>Įvairi modelių ir duomenų rinkinių integracija</strong></li> <li><strong>Lengvas predikcijos modelių įgyvendinimasis</strong></li> <li><strong>Programos proteinų-ligandų interakcijoms</strong></li> </ul> <p>Dėl savo universalumo, DeepPurpose padeda tyrinėtojams greitai ir efektyviai identifikuoti naujus terapinius kandidatus.</p> <h3>OpenChem: Specialus giliųjų mokymų framework'as cheminėms programoms</h3> <p><a href="https://github.com/Mariewelt/OpenChem">OpenChem</a> yra sukurtas specialiai chemijai, o giliųjų mokymų framework'as. Jame įeina: </p> <ul> <li><strong>Parametrai, palaikantys molekulės generacija</strong></li> <li><strong>Savybių prognozavimas</strong></li> <li><strong>Lankstumas modelio konfigūracijoje</strong></li> </ul> <p>OpenChem skatina naujų chemijos AI metodų plėtrą ir padeda vaistų paieškos greitinti.</p> <p>Atviro kodo bendruomenės GitHub platformoje kartu su projektuojant automatinę vaistų paieškos procesą, galime iššūkius įveikti.Kombinuodami AI ir chemiją, atsidaro naujos galimybės efektyviai ir tiksliau kurti terapinius sprendimus. Šios inovacijos turi potencialą nešaubamai transformuoti medicinos ateitį.</p> <h1>Programinė kompiuterinės technologijos taikymas iš naujųjų vaistų tyrimo srities į AI modelių destilaciją</h1> <p>Iš automatinių naujųjų vaistų paieškos projektų pasiekimai, kuriuos panaudojame AI modelio destilijavimo procese. Nors šie du skirsiai atrodytų skirtingi, jie turi bendrus principus ir iššūkius, dėl kurių galima juose pasinaudoti.</p> <h2>Naudingumas taikymo</h2> <p>Automatinis vaistų paieškos projektų taikymas AI modelio destilijavimuui yra naudingas, nes:</p> <ul> <li><strong>Bendri metodai</strong>: Abu projektai naudoja pažangius mašininės mokymosi principus, tokius kaip giliųjų mokymų algoritmai ir neuroninės 망es.</li> <li><strong>Skaidumas</strong>: Chemijoje sudėtingos molekulės struktūros apibendrinti, tuo pat metu modeliuojant mažiau mašininio mokymo algoritmų.</li> <li><strong>Optimizacija ir efektyvumo padidinimas</strong>: Abi sritys siekia efektyvių rezultatų su ribotais ištekliais.</li> </ul> <h2>Kaip galima taikyti</h2> <h3>1. Grafinės neuroninės망es (GNN) struktūros analizei</h3> <p>Medicinos naujųjų vaistų paieškoje <strong>grafinės neuroninės망es</strong> naudojamos analizuoti sudėtingas molekulės struktūras ir prognozuoti jų savybes. Šios technologijos gali būti taikomos AI modelio destilijavimui, kad suprastų didelių modelių struktūrą ir ekstrahuotų svarbius parametrus mažesiam modelIAMS.</p> <h3>2. Perdavimas ir ypatybėlių ekstraktas</h3> <p>Projektų pavyzdys <strong>DeepChem</strong> arba <strong>Chemprop</strong> naudoja perdavimą, kad pasinaudotų jau esančių duomenų rinkinių žinojimu. Panašiai destilijavimo metu didelis priešistorinis modelis gali būti naudojamas kaip pradmeninė reikalinga dalis, iš kurios ekstrahuojamos svarbiausios ypatybės mažesiam modelIAMS.</p> <h3>3. Multi-task learning ir daugiatūrės modelių optimizacija</h3> <p>Projektų pavyzdys <strong>MoleculeNet</strong> naudoja multi-task learning, kad mokytų modelius, kurie gali atlikti keletą užduočių vienu metu.</p> <h3>4. Optimizacijos technologijos iš vaistų paieškos srities</h3> <p>Vaistų paieškos optimizavimo principai, pavyzdžiui, hiperparametrai patikslinami arba evokucinės algoritmų panaudojimas, gali būti taikomi destiliuotų modelių efektyvumui padidinant.</p> <h3>5. Duomenų padidėjimo ir sintezinių duomenų generavimas</h3> <p>Projektai <strong>DeepPurpose</strong> naudoja duomenų padidėjimą, kad sumažintų vaistų paieškos poveikį. Panašius principus galima taikyti destilijos procesui, ypač jei ribotas duomenų kiekis.</p> <h2>Praktiškai įgyvendinamos veiklos</h2> <ul> <li><strong>Modelio struktūros analizė</strong>: GNN's naudojamos kad identifikuotų svarbiausias modelio dalis.</li> <li><strong>Ypatybės pasirinkimas</strong>: Ištraukite svarbiausius parametrus, kurie lemia modelio veikimą.</li> <li><strong>Efektyvios architektūros projektavimas</strong>: Arba suderintumėte didelių modelių architektūrą mažesniems modeliams.</li> <li><strong>Bendras treniruotimas</strong>: Naudokite multi-task learning, kad padidintu destiliuotojo modelio generalizavimo gebėjimus.</li> </ul> <p>Integruojant vaistų paieškos metodus į AI modelių destilijavimą, atsidaro nauji būdai efektyviosioms ir mažesniems modeliams pasiekti.</p> <h2>Interdiscipulininis požiūris</h2> <p>Tai yra naujų technologijų taikymų pavyzdys. Pačius principus galima pritaikyti įvairiose srityse. </p> <h1>Taip pat galite susidaryti savo modelį</h1> <p>Šiame straipsnyje apibėrinome metodą, kaip su <strong>Hugging Face</strong> ir Python programa gali būti sukurta, kad modelis atspėtų netiksliai. Tai padeda sumažinti hallucinacijas.</p> <h2>Priešingai, kokia yra geriausia forma?</h2> <p>Štai kodėl šis straipsnis skiriasi nuo kitų straipsnių: Kai kurioms technologijoms jau priklauso atviro kodo bendruomenė. Taigi, kaip paieškoti informacijos apie AI programinę įrangą?</p> <h1>Copyright ToNEKi Media UG (haftungsbeschr&auml;nkt)</h1> <p><img class="imgfull_rounded" src="/images/custom/thumb880/DALL_E_2024_12_05_00_43.42.jpg" alt="Transfer Chemical learning to LLMs" width="880" height="502" /></p>