LEARNING FROM TRIAGE ANNOTATIONS

Herein disclosed are a methods and systems of SAMMI - a machine learning-based workflow that uses human annotations as labels for training models - used to predict human-based annotations for drug discovery. SAMMI receives an input to a model trained using human-annotated data, wherein the human-annotated data comprises at least one annotation associated with a triage-progressability annotation of whether to progress the input for the drug discovery. SAMMI also receives a set of features. The set of features are associated with the input, the model, and the triage-progressability of the input. The set of features is applied to the model to predict whether the input is triage-progressible. A model output is provided based on the prediction. Des procédés et des systèmes SAMMI (flux de production basé sur l'apprentissage machine qui utilise des annotations humaines comme marqueurs pour des modèles de formation) utilisés pour prédire des annotations basées sur l'être humain à des fins de découverte de médicaments sont divulgués ici. SAMMI reçoit une entrée d'un modèle entraîné à l'aide de données annotées par un être humain, les données annotées par un être humain comprenant au moins une annotation associée à une annotation de capacité de progression de triage indiquant s'il faut faire progresser l'entrée à des fins de découverte de médicament. SAMMI reçoit également un ensemble de caractéristiques. L'ensemble de caractéristiques est associé à l'entrée, au modèle et à la capacité de progression de triage de l'entrée. L'ensemble de caractéristiques est appliqué au modèle pour prédire si l'entrée peut progresser dans le triage. Une sortie de modèle est fournie sur la base de la prédiction.