Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

A review on machine learning approaches and trends in drug discovery

Autor: Victor Maojo, Nereida Rodriguez-Fernandez, Adrian Carballal, Carlos Fernandez-Lozano, Francisco J. Novoa, Alejandro Pazos, Paula Carracedo-Reboredo, Francisco Cedrón, Jose Liñares-Blanco

Publikováno v: Computational and Structural Biotechnology Journal, Vol 19, Iss, Pp 4538-4558 (2021)
RUC. Repositorio da Universidade da Coruña
instname
Computational and Structural Biotechnology Journal

Graphical abstract
Highlights • Machine Learning in drug discovery has greatly benefited the pharmaceutical industry. • Application of machine algorithms must entail a robust design in real clinical tasks. • Trending machine learning algor

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::c1455b1a18d7c6c8d727e34d6b7d78f8
http://www.sciencedirect.com/science/article/pii/S2001037021003421

Evaluating parameters for ligand-based modeling with random forest on sparse data sets

Autor: Kensert, Alexander, Alvarsson, Jonathan, Norinder, Ulf, Spjuth, Ola

Publikováno v: Journal of Cheminformatics, Vol 10, Iss 1, Pp 1-10 (2018)
Journal of Cheminformatics

Ligand-based predictive modeling is widely used to generate predictive models aiding decision making in e.g. drug discovery projects. With growing data sets and requirements on low modeling time comes the necessity to analyze data sets efficiently to

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=pmid_dedup__::5f60d9d3142a0681f66d2d00989df1cb
http://link.springer.com/article/10.1186/s13321-018-0304-9

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.