ترجمه فارسی مقاله DrugAgent: داروی قابل توضیح بازمنظور دارو با استدلال مبتنی بر مدل زبانی بزرگ

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 DrugAgent: Explainable Drug Repurposing Agent with Large Language Model-based Reasoning
عنوان مقاله به فارسی DrugAgent: داروی قابل توضیح بازمنظور دارو با استدلال مبتنی بر مدل زبانی بزرگ
نویسندگان Yoshitaka Inoue, Tianci Song, Tianfan Fu
فرمت مقاله انگلیسی PDF
تعداد صفحات 18
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Artificial Intelligence,Computation and Language,Information Retrieval,Machine Learning,Quantitative Methods,هوش مصنوعی , محاسبات و زبان , بازیابی اطلاعات , یادگیری ماشین , روشهای کمی
توضیحات Submitted 16 September, 2024; v1 submitted 23 August, 2024; originally announced August 2024. , Comments: 18 pages, 1 figure
توضیحات به فارسی ارائه شده 16 سپتامبر 2024 ؛V1 ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 18 صفحه ، 1 شکل
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

Drug repurposing offers a promising avenue for accelerating drug development by identifying new therapeutic potentials of existing drugs. In this paper, we propose a multi-agent framework to enhance the drug repurposing process using state-of-the-art machine learning techniques and knowledge integration. Our framework comprises several specialized agents: an AI Agent trains robust drug-target interaction (DTI) models; a Knowledge Graph Agent utilizes the drug-gene interaction database (DGIdb), DrugBank, Comparative Toxicogenomics Database (CTD), and Search Tool for Interactions of Chemicals (STITCH) to systematically extract DTIs; and a Search Agent interacts with biomedical literature to annotate and verify computational predictions. By integrating outputs from these agents, our system effectively harnesses diverse data sources, including external databases, to propose viable repurposing candidates. Preliminary results demonstrate the potential of our approach in not only predicting drug-disease interactions but also in reducing the time and cost associated with traditional drug discovery methods. This paper highlights the scalability of multi-agent systems in biomedical research and their role in driving innovation in drug repurposing. Our approach not only outperforms existing methods in predicting drug repurposing potential but also provides interpretable results, paving the way for more efficient and cost-effective drug discovery processes.

چکیده به فارسی (ترجمه ماشینی)

بازپس گیری مواد مخدر با شناسایی پتانسیل های درمانی جدید داروهای موجود ، یک راه امیدوار کننده برای تسریع در تولید دارو را ارائه می دهد.در این مقاله ، ما یک چارچوب چند عامل برای تقویت فرآیند بازپس گیری دارو با استفاده از تکنیک های پیشرفته یادگیری ماشین و ادغام دانش پیشنهاد می کنیم.چارچوب ما شامل چندین عامل تخصصی است: یک عامل هوش مصنوعی مدلهای تعامل با هدف اصلی دارو (DTI) را آموزش می دهد.یک عامل نمودار دانش از پایگاه داده تعامل ژن دارو (DGIDB) ، داروخانه ، پایگاه داده مقایسه سمیتوژنومیک (CTD) و ابزار جستجو برای تعامل مواد شیمیایی (بخیه) برای استخراج سیستماتیک DTI استفاده می کند.و یک عامل جستجو برای حاشیه نویسی و تأیید پیش بینی های محاسباتی با ادبیات زیست پزشکی در تعامل است.با ادغام خروجی های این عوامل ، سیستم ما به طور موثری منابع داده های متنوعی از جمله بانکهای اطلاعاتی خارجی را برای پیشنهاد نامزدهای قابل استفاده مجدد از آن استفاده می کند.نتایج مقدماتی پتانسیل رویکرد ما را نه تنها پیش بینی تعامل با مواد مخدر بلکه در کاهش زمان و هزینه مرتبط با روشهای کشف دارو سنتی نشان می دهد.در این مقاله ، مقیاس پذیری سیستم های چند عامل در تحقیقات زیست پزشکی و نقش آنها در نوآوری رانندگی در بازپس گیری مواد مخدر برجسته شده است.رویکرد ما نه تنها از روشهای موجود در پیش بینی پتانسیل مجدد مواد مخدر بهتر عمل می کند بلکه نتایج قابل تفسیر را نیز فراهم می کند ، و راه را برای فرآیندهای کشف داروهای کارآمدتر و مقرون به صرفه تر هموار می کند.

📚 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.