Multitasking models for quantitative structure–biological effect relationships: current status and future perspectives to speed up drug discovery
Notice bibliographique
Résumé
INTRODUCTION: Drug discovery is the process of designing new candidate medications for the treatment of diseases. Over many years, drugs have been identified serendipitously. Nowadays, chemoinformatics has emerged as a great ally, helping to rationalize drug discovery. In this sense, quantitative structure-activity relationships (QSAR) models have become complementary tools, permitting the efficient virtual screening for a diverse number of pharmacological profiles. Despite the applications of current QSAR models in the search for new drug candidates, many aspects remain unresolved. To date, classical QSAR models are able to predict only one type of biological effect (activity, toxicity, etc.) against only one type of generic target. AREAS COVERED: The present review discusses innovative and evolved QSAR models, which are focused on multitasking quantitative structure-biological effect relationships (mtk-QSBER). Such models can integrate multiple kinds of chemical and biological data, allowing the simultaneous prediction of pharmacological activities, toxicities and/or other safety profiles. EXPERT OPINION: The authors strongly believe, given the potential of mtk-QSBER models to simultaneously predict the dissimilar biological effects of chemicals, that they have much value as in silico tools for drug discovery. Indeed, these models can speed up the search for efficacious drugs in a number of areas, including fragment-based drug discovery and drug repurposing.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».