Laboratório e Análises

Quimioinformática: Um Olhar Sobre a Pesquisa de Fármacos

Quimica e Derivados
14 de novembro de 2018
    -(reset)+

    Referências

    (1) Jones, L.H.; Bunnage, M.E. Applications of chemogenomic library screening in drug discovery. Nat. Rev. Drug Discov. 2017, 16, 285-296.

    (2) Liu, R.; Li, X.; Lam, K.S. Combinatorial chemistry in drug discovery. Curr. Opin. Chem. Biol. 2017, 38, 117-126.

    (3) Gasteiger, J. Chemoinformatics: Achievements and Challenges, a Personal View. Molecules 2016, 21, 151.

    (4) Jordan, M.I; Mitchell, T.M. Machine learning: Trends, perspectives, and prospects. Science 2015, 349, 255-260.

    (5) Pirhadi, S.; Sunseri, J.; Koes, D.R. Open source molecular modeling. J. Mol. Graph. Model. 2016, 69, 127-143.

    (6) Willett, P. Chemoinformatics: a history. Wiley Interdiscip. Rev. Comput. Mol. Sci. 2011, 1, 46-56.

    (7) Lombardo, F.; Desai, P.V.; Arimoto, R.; Desino, K.E.; Fischer, H.; Keefer, C.E.; Petersson, C.; Winiwarter, S.; Broccatelli, F. In Silico Absorption, Distribution, Metabolism, Excretion, and Pharmacokinetics (ADME-PK): Utility and Best Practices. An Industry Perspective from the International Consortium for Innovation through Quality in Pharmaceutical Development. J. Med. Chem. 2017, 60, 9097-9113.

    (8) Zhang, L.; Tan, J.; Han, D.; Zhu, H. From machine learning to deep learning: progress in machine intelligence for rational drug discovery. Drug Discov. Today 2017, 22, 1680-1685.

    (9) Obermeyer, Z.; Emanuel, E.J. Predicting the Future – Big Data, Machine Learning, and Clinical Medicine. N. Engl. J. Med. 2016, 375, 1216-1219.

    (10) Sharma, A.; Syam, N. Sales and customer development: An agenda for inquiry. Ind. Market. Manag. 2018, 69, 133-134.

    (11) Ding, S.; Li, H.; Su, C.; Yu, J.; Jin, F. Evolutionary artificial neural networks: a review. Artif. Intell. Rev. 2013, 39, 251-260.

    (12) Denève, S.; Machens, C.K. Efficient codes and balanced networks. Nat. Neurosci. 2016, 19, 375-382.

    (13) Chen, H.; Engkvist, O.; Wang, Y.; Olivecrona, M.; Blaschke, T. The rise of deep learning in drug discovery. Drug Discov. Today 2018, 23, 1241-1250.

    (14) Coley, C.W.; Barzilay, R.; Jaakkola, T.S.; Green, W.H.; Jensen, K.F. Prediction of Organic Reaction Outcomes Using Machine Learning. ACS Cent. Sci. 2017, 3, 434-443.

    (15) LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature 2015, 521, 436-44.

    (16) Chen, H.; Engkvist, O.; Wang, Y.; Olivecrona, M.; Blaschke, T. The rise of deep learning in drug discovery. Drug Discov. Today 2018, 23, 1241-1250.

    (17) Kearnes, S.; McCloskey, K.; Berndl, M.; Pande. V.; Riley P. Molecular graph convolutions: moving beyond fingerprints. J. Comput. Aided Mol. Des. 2016, 30, 595-608.

    (18) Blaschke, T.; Olivecrona, M.; Engkvist, O.; Bajorath, J.; Chen H. Application of Generative Autoencoder in De Novo Molecular Design. Mol. Inform. 2018, 37, 1700123.

    (19) Fleming, N. How artificial intelligence is changing drug discovery. Nature 2018, 557, S55-S57.

    Autores:
    Leonardo L. G. Ferreira e Adriano D. Andricopulo

    Química e Derivados, Quimioinformática e Aprendizado de Máquinas: Um Olhar Sobre a Pesquisa e o Desenvolvimento de Fármacos

    Leonardo L. G. Ferreira

    Química e Derivados, Quimioinformática e Aprendizado de Máquinas: Um Olhar Sobre a Pesquisa e o Desenvolvimento de Fármacos

    Adriano D. Andricopulo

    Os autores são afiliados ao Laboratório de Química Medicinal e Computacional, Centro de Pesquisa e Inovação em Biodiversidade e Fármacos, Instituto de Física de São Carlos, Universidade de São Paulo, Av. João Dagnone 1100, 13563-120, São Carlos, SP, Brazil, Tel.: + 55 16 3373-9874; Fax: + 55 16 3373-9881.



    Recomendamos também:








    0 Comentários


    Seja o primeiro a comentar!


    Deixe uma resposta

    O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *