10.1039/C8RA10182E
illustrate-tool for work Mappingにカーソルオンで化合物の分子構造が図示されます
パラメトリックt-SNEアプローチはディープフィードフォワードニューラルネットワークに基づきます、本報でケミカルスペースの可視化問題に適用されました。既存の次元削減手法（主成分分析（PCA）、多次元尺度構成法（MDS））よりも多くの情報を保持できます。この方法のいくつかのケミカルスペース・ナビゲーションタスク（activity cliffs and activity landscapes identification）への適用性について説明します。作業を説明するための簡単なWebツールを作成しました（http://space.syntelly.com）。
匂い分子の構造とその匂いの質との関係を見つけることは、常に非常に困難な作業だった。分子構造と匂いの関係を確立する困難は、特に匂い分子（に関する情報の）の供給源が異なる場合、（匂いの質についての）記述子ラベルのあいまいで曖昧な性質に起因します。ディープラーニングの出現により、データ駆動型のアプローチが現実的になり、化学構造とその匂いの間のより正確なリンクが実現されました。この研究では、物理化学的特性と分子フィンガープリント（PPMF）を備えたディープニューラルネットワーク（DNN）と、化学構造イメージ（IMG）を備えた畳み込みニューラルネットワーク（CNN）を開発し、SMILES表記を使用して化学物質の匂いを予測します。マルチラベル予測モデルを開発するために、104の嗅覚を持つ5185の化合物のデータセットが使用されました。 DNN + PPMFおよびCNN + IMG（Xceptionベース）からの匂い予測の精度は、化学物質の独立したテストセットに適用した場合、それぞれ97.3および98.3％であることがわかりました。 提案されたDNN + PPMFとCNN + IMGの両方の予測モデルを組み合わせた深層学習アーキテクチャは、匂い分類、化学構造と匂いの知覚の関係の根底にある一般的なメカニズムを理解を促進します。
CentOS8をインストールしたマシンでNvidiaを使用できるコンテナを動かそうとしている。CentOSではPodman推奨らしいが、ドキュメントが少ない。Dockerを使用してみる。構築関連の記事はUbuntu+Dockerが多いのでこの構成にしておけばよかったかと、少し後悔している。Dockerは動作したが、GPUまでは使用できていない。これはGPUが古いので引っ張ってくるイメージが対応していない、Dockerファイルをきちんと書かなくては動作させられない、などが原因として考えられるが、未解決。ちゃんとDockerを勉強しなくてはいけない。
化合物命名法、構造表記式についてのメモを作ってみた。
ニューラルネットワーク(多層パーセプトロン)は、機械学習の重要な産物である。シグモイド関数を活性化関数とするオートエンコーダー(砂時計型ニューラルネットワーク)はその初歩として、重要なアイディアである。そのメモを作ってみた。
微生物叢-腸-脳軸は、腸と中枢神経系の間に双方向伝達が存在し、脳の感情的および認知的中心は末梢腸機能と結び付けられています。このコミュニケーションは、腸内分泌細胞によって産生されるさまざまな腸由来ペプチド/アミンが関与する局所、パラクリン、および内分泌メカニズムを介しています。腸管神経系などの神経系、および自律神経系を含む中枢神経系も、微生物叢-腸-脳軸を介して情報を伝達します。研究の最近より、正常な生理学への影響、病気に寄与する腸内細菌叢の重要性が明らかになりました。この双方向通信システムは理解され始めたばかりです。このレビューでは、腸内細菌叢と脳の間のインターフェイスとしての腸内分泌細胞と腸管神経系に関連するデータ、これらの相互作用の存在を示唆するデータをレビューします。