ترجمه فارسی مقاله چگونه مولکول ها سلولهای تأثیر می گذارند: باز کردن بازیابی فنومولکولی متضاد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی How Molecules Impact Cells: Unlocking Contrastive PhenoMolecular Retrieval
عنوان مقاله به فارسی چگونه مولکول ها سلولهای تأثیر می گذارند: باز کردن بازیابی فنومولکولی متضاد
نویسندگان Philip Fradkin, Puria Azadi, Karush Suri, Frederik Wenkel, Ali Bashashati, Maciej Sypetkowski, Dominique Beaini
فرمت مقاله انگلیسی PDF
تعداد صفحات 27
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Quantitative Methods,Machine Learning,روش های کمی , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Predicting molecular impact on cellular function is a core challenge in therapeutic design. Phenomic experiments, designed to capture cellular morphology, utilize microscopy based techniques and demonstrate a high throughput solution for uncovering molecular impact on the cell. In this work, we learn a joint latent space between molecular structures and microscopy phenomic experiments, aligning paired samples with contrastive learning. Specifically, we study the problem ofContrastive PhenoMolecular Retrieval, which consists of zero-shot molecular structure identification conditioned on phenomic experiments. We assess challenges in multi-modal learning of phenomics and molecular modalities such as experimental batch effect, inactive molecule perturbations, and encoding perturbation concentration. We demonstrate improved multi-modal learner retrieval through (1) a uni-modal pre-trained phenomics model, (2) a novel inter sample similarity aware loss, and (3) models conditioned on a representation of molecular concentration. Following this recipe, we propose MolPhenix, a molecular phenomics model. MolPhenix leverages a pre-trained phenomics model to demonstrate significant performance gains across perturbation concentrations, molecular scaffolds, and activity thresholds. In particular, we demonstrate an 8.1x improvement in zero shot molecular retrieval of active molecules over the previous state-of-the-art, reaching 77.33% in top-1% accuracy. These results open the door for machine learning to be applied in virtual phenomics screening, which can significantly benefit drug discovery applications.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی تأثیر مولکولی بر عملکرد سلولی یک چالش اصلی در طراحی درمانی است.آزمایش های فنومیک ، برای ضبط مورفولوژی سلولی ، استفاده از تکنیک های مبتنی بر میکروسکوپ و نشان دادن محلول توان بالا برای کشف تأثیر مولکولی بر روی سلول.در این کار ، ما یک فضای نهفته مشترک بین ساختارهای مولکولی و آزمایش های فنومی میکروسکوپی را می آموزیم ، و نمونه های زوج را با یادگیری متضاد تراز می کنیم.به طور خاص ، ما مسئله بازیابی فنومولکولی کنترل کننده ، که شامل شناسایی ساختار مولکولی صفر است که شرط در آزمایش های فنومی است ، مطالعه می کنیم.ما چالش ها را در یادگیری چند حالته از فنومیک و روشهای مولکولی مانند اثر دسته ای تجربی ، آشفتگی مولکول غیرفعال و رمزگذاری غلظت آشفتگی ارزیابی می کنیم.ما بازیابی یادگیرنده چند حالته بهبود یافته را از طریق (1) یک مدل فنومیک از قبل آموزش دیده یکپارچه ، (2) یک از دست دادن آگاهی از شباهت بین نمونه جدید ، و (3) مدل هایی که بر روی بازنمایی غلظت مولکولی شرطی شده اند ، نشان می دهیم.به دنبال این دستور العمل ، ما مولفنیکس ، یک مدل فنومیک مولکولی را پیشنهاد می کنیم.Molphenix یک مدل فنومیک از قبل آموزش دیده را نشان می دهد تا سود عملکرد قابل توجهی را در غلظت های آشفتگی ، داربست های مولکولی و آستانه فعالیت نشان دهد.به طور خاص ، ما بهبود 8.1x در بازیابی مولکولی شات صفر مولکول های فعال نسبت به پیشرفته قبلی را نشان می دهیم ، و در دقت 1 ٪ بالا به 77.33 ٪ رسیده است.این نتایج درهای یادگیری ماشین را در غربالگری فنومیک مجازی باز می کند ، که می تواند به طور قابل توجهی از برنامه های کشف مواد مخدر بهره مند شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.