A review on computer‐aided chemogenomics and drug repositioning for rational<scp>COVID</scp>‐19 drug discovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Application of materials capable of energy harvesting to increase the efficiency and environmental adaptability is sometimes reflected in the ability of discovery of some traces in an environment-either experimentally or computationally-to enlarge practical application window. The emergence of computational methods, particularly computer-aided drug discovery (CADD), provides ample opportunities for the rapid discovery and development of unprecedented drugs. The expensive and time-consuming process of traditional drug discovery is no longer feasible, for nowadays the identification of potential drug candidates is much easier for therapeutic targets through elaborate in silico approaches, allowing the prediction of the toxicity of drugs, such as drug repositioning (DR) and chemical genomics (chemogenomics). Coronaviruses (CoVs) are cross-species viruses that are able to spread expeditiously from the into new host species, which in turn cause epidemic diseases. In this sense, this review furnishes an outline of computational strategies and their applications in drug discovery. A special focus is placed on chemogenomics and DR as unique and emerging system-based disciplines on CoV drug and target discovery to model protein networks against a library of compounds. Furthermore, to demonstrate the special advantages of CADD methods in rapidly finding a drug for this deadly virus, numerous examples of the recent achievements grounded on molecular docking, chemogenomics, and DR are reported, analyzed, and interpreted in detail. It is believed that the outcome of this review assists developers of energy harvesting materials and systems for detection of future unexpected kinds of CoVs or other variants.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle