Applying machine learning techniques for ADME-Tox prediction: a review (2015)
- Autores:
- Autores USP: HONORIO, KÁTHIA MARIA - EACH ; OLIVEIRA, PATRÍCIA RUFINO - EACH
- Unidade: EACH
- DOI: 10.1517/17425255.2015.980814
- Assuntos: MODELAGEM MOLECULAR; FARMACOCINÉTICA; XENOBIÓTICO; APRENDIZADO COMPUTACIONAL; RELAÇÕES QUANTITATIVAS ENTRE ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA
- Idioma: Inglês
- Imprenta:
- Local: Oxfordshire
- Data de publicação: 2015
- Fonte:
- Título do periódico: Expert Opinion on Drug Metabolism & Toxicology
- ISSN: 1742-5255
- Volume/Número/Paginação/Ano: v. 11, n. 2, p. 259-271, feb. 2015
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
MALTAROLLO, Vinícius Gonçalves et al. Applying machine learning techniques for ADME-Tox prediction: a review. Expert Opinion on Drug Metabolism & Toxicology, v. 11, n. 2, p. 259-271, 2015Tradução . . Disponível em: https://doi.org/10.1517/17425255.2015.980814. Acesso em: 16 abr. 2024. -
APA
Maltarollo, V. G., Gertrudes, J. C., Oliveira, P. R., & Honório, K. M. (2015). Applying machine learning techniques for ADME-Tox prediction: a review. Expert Opinion on Drug Metabolism & Toxicology, 11( 2), 259-271. doi:10.1517/17425255.2015.980814 -
NLM
Maltarollo VG, Gertrudes JC, Oliveira PR, Honório KM. Applying machine learning techniques for ADME-Tox prediction: a review [Internet]. Expert Opinion on Drug Metabolism & Toxicology. 2015 ; 11( 2): 259-271.[citado 2024 abr. 16 ] Available from: https://doi.org/10.1517/17425255.2015.980814 -
Vancouver
Maltarollo VG, Gertrudes JC, Oliveira PR, Honório KM. Applying machine learning techniques for ADME-Tox prediction: a review [Internet]. Expert Opinion on Drug Metabolism & Toxicology. 2015 ; 11( 2): 259-271.[citado 2024 abr. 16 ] Available from: https://doi.org/10.1517/17425255.2015.980814 - Advances with support vector machines for novel drug discovery
- Knowing and combating the enemy: a brief review on SARS-CoV-2 and computational approaches applied to the discovery of drug candidates
- Transfer and multi-task learning in QSAR modeling: advances and Challenges
- Evaluating Deep Learning models for predicting ALK-5 inhibition
- Machine learning techniques and drug design
- A molecular modeling study of combretastatin-like chalcones as anticancer agents using PLS, ANN and consensus models
- New consensus multivariate models based on PLS and ANN studies of sigma-1 receptor antagonists
- Redes neurais artificiais para extração de características
- Métodos auto-organizáveis para segmentação de imagens
- Uso de aprendizagem profunda para predição de atividade de inibidores de ALK-5
Informações sobre o DOI: 10.1517/17425255.2015.980814 (Fonte: oaDOI API)
Como citar
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
