Machine learning in chemoinformatics and drug discovery.
Machine learning in chemoinformatics and drug discovery.
复制标题
DOI：
10.1016/j.drudis.2018.05.010
复制
发表时间：
2018-08
影响因子：
7.4
通讯作者：
Altman RB
中科院分区：
文献类型：
--
作者：
Lo YC;Rensi SE;Torng W;Altman RB
化学信息学是一门成熟的学科，专注于从化学结构中提取，处理和推断有意义的数据。随着HTS和组合合成中化学“大”数据的快速爆炸，机器学习已成为药物设计人员从大型化合物数据库中挖掘化学信息以设计具有重要生物学特性的药物的不可或缺的工具。为了处理化学数据，我们首先回顾了化学信息学管道中的多个处理层，然后介绍了药物发现和QSAR分析中常用的机器学习模型。在这里，我们提出了基本原则和最近的案例研究，以证明机器学习技术在化学信息学分析中的实用性;我们讨论了限制和未来的方向，以指导这一不断发展的领域的进一步发展。
Chemoinformatics is an established discipline focusing on extracting, processing and extrapolating meaningful data from chemical structures. With the rapid explosion of chemical ‘big’ data from HTS and combinatorial synthesis, machine learning has become an indispensable tool for drug designers to mine chemical information from large compound databases to design drugs with important biological properties. To process the chemical data, we first reviewed multiple processing layers in the chemoinformatics pipeline followed by the introduction of commonly used machine learning models in drug discovery and QSAR analysis. Here, we present basic principles and recent case studies to demonstrate the utility of machine learning techniques in chemoinformatics analyses; and we discuss limitations and future directions to guide further development in this evolving field.
登录
查看更多内容
DOI：
10.1021/ci940128y
发表时间：
1997-07-01
期刊：
JOURNAL OF CHEMICAL INFORMATION AND COMPUTER SCIENCES
影响因子：
--
作者：
Baskin, II;Palyulin, VA;Zefirov, NS
通讯作者：
Zefirov, NS
DOI：
10.3390/molecules15053281
发表时间：
2010-05-04
期刊：
Molecules (Basel, Switzerland)
影响因子：
--
作者：
Andrade CH;Pasqualoto KF;Ferreira EI;Hopfinger AJ
通讯作者：
Hopfinger AJ
影响因子：
7.3
作者：
Ali, SM;Hoemann, MZ;Jayasinghe, LR
通讯作者：
Jayasinghe, LR
影响因子：
3.5
作者：
Baskin, Igor I.;Zhokhova, Nelly I.
通讯作者：
Zhokhova, Nelly I.
影响因子：
5.6
作者：
Chen, Bin;Sheridan, Robert P.;Voigt, Johannes H.
通讯作者：
Voigt, Johannes H.