源之原味

 

这篇文章来自 nvidia.com。原始 url 是: https://blogs.nvidia.com/blog/2018/05/09/data-science-bowl-drug-discovery/

以下内容由机器翻译生成。如果您觉得可读性不好, 请阅读原文或 点击这里.

三, 事实证明, 比一个更好。至少, 这是如何工作的三个前竞争对手谁联合起来, 声称刚刚宣布的最高奖在今年的 数据科学碗.

第四年度活动的重点是医疗保健最紧迫的问题之一--不断飙升的成本和发现新药所需的时间。创纪录的1.8万名参与者在90天的时间里进行了战斗, 以提供一个深入的学习算法, 加速药物发现管道的关键步骤: 确定每个细胞的细胞核。

今年的数据科学碗 "驱动的是一个非常实际的需要开发新的治疗更快, 更准确, 说:" 安妮木匠, 成像平台的主任在 麻省理工学院和哈佛大学大学院, 是该竞赛的非营利性合作伙伴。

数据科学碗与会者使用了像这样的图像, 由麻省理工学院和哈佛大学的广泛研究所提供, 以训练深入的学习算法, 以发现细胞核和加速药物发现。
数据科学碗参与者使用像这样的图像, 由麻省理工学院和哈佛大学提供, 以训练深入的学习算法, 以发现细胞核和加速药物发现。

国际队获奖

获奖者击败了近4000支球队赢得数据科学碗, 由咨询公司提出 博思艾伦汉密尔顿 以及该 Kaggle 平台为数据科学竞争, 与另外的赞助从 NVIDIA 并且医疗诊断公司 PerkinElmer。顶级算法的创造者将分17万美元的现金和奖品, 包括强大的 NVIDIA GPU 硬件 深入学习.

除了在密集的医学图像中发现细胞核的困难外, 获胜的三塞利姆 Seferbekov、亚历山大 Buslaev 和维克多 Durnov 面临着跨越六个时区和三个国家、德国、白俄罗斯和俄罗斯。利用我们的 GPUs 进行训练和推理, 团队努力了300小时来创建和实现他们的算法。

他们的努力得到了回报: 他们一起将收取5万美元的现金, 再加上估计的7万美元在最新的 NVIDIA GPUs 建立在我们的新 沃尔特建筑.沃尔特使用 NVIDIA CUDA 张量内核提供前所未有的深度学习性能, 如我们的硬件 DGX 站, 是研究人员最有力的工具之一。

记录设置数据科学碗

总的来说, 竞争参与者的工作时间估计为28.8万小时, 提交了6.8万个算法, 几乎三倍于去年的数据科学碗中的提交数量。

所有三个顶尖的球队都用我们的 GPUs 来取得胜利的结果。在前三的其他小组是:

  • 第二名 (2.5万元): 在北京创业的首席数据科学家闽西江, 在前0.01 位完成了去年的数据科学碗.
  • 第三名 ($ 1.2万): 天使洛佩兹-何塞·乌鲁蒂亚, 西班牙的海洋生物学家使用机器学习自动分类浮游生物的图像, 这是一个关键的挑战 就职数据科学碗.
研究人员使用这样的图像在第四个数据科学碗中训练他们的深层学习算法, 旨在加速药物的发现。
研究人员使用这样的图像来训练他们的深层学习算法, 以加快数据科学碗中的药物发现。图片是由麻省理工学院和哈佛大学的广泛学院提供的。

药物发现瓶颈

寻找新药是一项复杂而费力的任务, 它可以花费亿万年或更多的治疗时间。生物化学家尝试数以千计的化学化合物, 以找出哪些, 如果有的话, 是有效的对抗特定的病毒或细菌, 或导致预期的反应在人体内。他们通过测量疾病和健康细胞对各种治疗的反应来做到这一点。

因为几乎所有的人类细胞都含有一个细胞核, 所以确定每个细胞的最直接途径就是发现细胞核。现有的方法需要耗时的研究人员的监督。有时生物学家别无选择, 只能亲自检查数以千计的图像来完成实验。

"通过快速准确地识别原子核, 在这个竞赛中开发的算法可以让生物学家们把注意力集中在研究的其他方面, 缩短每种新药进入市场大约10年的时间, 最终,提高生活质量, 说: "雷 Hensberger, 一个博思艾伦汉密尔顿校长。

木匠, 广泛的研究所, 目的是使用一个胜利的算法, 建立深入学习软件的药物发现。研究所现在正在探索创建一个用户友好的开源软件的想法, 生物医学研究人员可以在日常工作中使用它。

了解更多有关 NVIDIA 技术的信息以提高 在医疗保健方面的深入学习.

* 这个故事的主要图像显示了人类细胞细胞核, 其中含有大部分细胞的遗传物质。RNA 处理蛋白质是红色的, 染色体呈蓝色。国家癌症研究所的形象。

第四个数据科学碗挑战参与者使用深度学习加速药物发现。
第四个数据科学碗挑战参与者使用深度学习加速药物发现。

Leave A Reply

Your email address will not be published.