机构名称：
¥ 1.0
摘要：在药物发现范式中，新化学实体的吸收，分布，代谢和排泄物（ADME）和毒性特性的评估是最关键的问题之一，这是一个耗时的过程，非常昂贵，并且在药品R＆d中构成了非常昂贵的挑战。近年来，人工智能（AI），大数据和云技术等新兴技术引起了人们的极大关注，以预测分子的ADME和毒性。目前，量子计算和机器学习的混合物几乎在从化学到生物医学和几个工程学科的几乎每个领域都引起了人们的关注。量子计算机有可能通过降低与药物发现过程相关的开发成本和时间来实现高通量实验技术和筛选数十亿分子的进步。是出于量子内核方法的效率，我们提出了一个量子机学习（QML）框架，该框架由具有基于内核的量子分类器的经典支持向量分类器算法组成。为了证明所提出的QML框架的可行性，简化的分子输入线进入系统（Smiles）基于符号的字符串螺丝核与量子支持矢量分类器结合使用，用于评估化学/药物ADME ADME ADME-TOX特性。建议的量子机学习框架将通过大规模模拟进行验证和评估。在制药行业所提出的框架的部署对于做出最佳决策将非常有价值。基于我们来自数值模拟的结果，与经典同行相比，量子模型在接收器操作特征曲线（AUC ROC; 0.80-0.95）的曲线下获得了最佳性能，以预测针对小分子的ADME-TOX数据集的结果，具有不同的特征。
量子机学习预测药物发现中的ADME-TOS
主要关键词
相关文件推荐
