PulseAugur
中
实时 09:14:35
English(EN) Hit Selection Using SSMD-Based Machine Learning Performance Metrics in High-Throughput Screening Assays

新的机器学习框架增强药物发现筛选指标

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的机器学习框架，以改进高通量筛选（HTS）分析中的性能指标估算，这对于早期药物发现至关重要。该框架通过从严格标准化均差（SSMD）这一成熟的效应量参数推导敏感性和特异性等分类指标，来解决HTS中极端数据稀疏的挑战。这种方法提供了统计上合理且可重复的性能估算，即使是单次重复测量也能做到，这一点已在丙型肝炎病毒筛选中得到证明。 AI

影响 增强了药物发现工作流程中的统计严谨性，使得从稀疏数据中进行更可靠的命中选择成为可能。

排序理由 该条目是一篇学术论文，详细介绍了用于特定科学应用中机器学习性能统计框架的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的机器学习框架增强药物发现筛选指标

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Xiaohua Douglas Zhang ·

    使用基于SSMD的机器学习性能指标在_高通量筛选_分析中进行命中选择

    arXiv:2608.07609v1 Announce Type: cross Abstract: High-throughput screening (HTS) assays are central to early-stage drug discovery but are often limited by extreme data sparsity, as primary screens typically use only a single replicate per test substance. This sparsity makes conv…

相关实体

相关话题