← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 3788.q.2.e.1 · 生成模型:未记录

融合模型收益需要分项测量

理解等级:中级

不同表示可捕捉不同信息,融合三维空间特征与分子关系图可能改善结合预测。但书中的靶点比较显示,某些靶点上其他评分仍更好。评价应分别测预测误差、实验相关性、计算成本和吞吐,不能以加速倍数代替准确性,也不能由一个成功目标推广到全部目标。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《人工智能与计算生物的未来 (【美】布赖恩·希尔布什)》人工智能在药物发现和开发中的应用,化学表示与生成的评价对象(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能与计算生物的未来 (【美】布赖恩·希尔布什)/_epub-src/EPUB/xhtml/Section08.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;历史案例不等于当前临床有效性或监管认可。已经核验的边界与书中陈述分开。 - 原始内容:对于4个靶点中的2个,相干融合方法表现最好,但在与实验结果的相关性方面,其他方法在其他两个靶点上排名更高。这些数据有力地展示了与之前开发的基于生物物理学的方法相比,构建基于卷积神经网络的评分系统存在困难。相干融合模型的主要优势是可实现速度增