MétaCan
Menu
Retour à la cohorte
Enregistrement W3205219207 · doi:10.26434/chemrxiv.12286877.v1

Coronavirus canSAR – a Data-Driven, AI-Enabled, Drug Discovery Resource for the Research Community

2020· preprint· en· W3205219207 sur OpenAlexaff
Costas Mitsopoulos, Albert A. Antolín, Eloy Villasclaras Fernandez, Patrizio Di Micco, Ioan L. Micca, Joseph E Tym, Ka Hing, James Campbell, Domenico Sanfelice, Ian Collins, Paul Workman, Bissan Al‐Lazikani

Notice bibliographique

RevueChemRxiv · 2020
Typepreprint
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensInstitute of Cancer Research
Organismes subventionnairesCancer Research UKWellcome Trust
Mots-clésDrug discoveryCoronavirus disease 2019 (COVID-19)Data scienceResource (disambiguation)CoronavirusSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Computer scienceMedicineInfectious disease (medical specialty)BioinformaticsBiologyDisease

Résumé

récupéré en direct d'OpenAlex

We describe an AI-enabled, integrated Coronavirus drug discovery knowledgebase, free for the research community. Its goal is to make accessible up to date information relevant to drug discovery for SARS-CoV-2 and other coronaviruses. It builds on great knowledge from across therapeutic areas and provides unbiased, systematic, objective information to empower the international effort.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Science ouverte, Intégrité de la recherche
Catégories consensuellesScience ouverte
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,842
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0080,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0170,031
Intégrité de la recherche0,0000,005
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,370
Tête enseignante GPT0,455
Écart entre enseignants0,085 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueChemRxivMême sujetComputational Drug Discovery MethodsTravaux en français237 207