Drogenerkennung
Die Arzneimittelforschung ist die Aufgabe, maschinelles Lernen zur Identifizierung und Entwicklung neuer Arzneistoffkandidaten anzuwenden. Ihr Ziel ist es, durch computergestützte Modelle die Wirkstoffaktivität vorherzusagen, den Wirkstoffdesign-Prozess zu optimieren, die Effizienz und den Erfolg der Entdeckung potenziell therapeutischer Arzneimittel zu erhöhen, den Entwicklungszyklus zu beschleunigen, die Forschungs- und Entwicklungs kosten zu senken sowie die Innovationsfähigkeiten und Behandlungsstandards im Gesundheitswesen zu verbessern.
QM9
PAMNet
Tox21
elEmBERT-V1
BACE
HIV dataset
GraphConv + dummy super node + focal loss
MUV
GraphConv + dummy super node
ToxCast
BBBP
ProtoW-L2
BindingDB
AttentionSiteDTI
clintox
BiLSTM
DAVIS-DTA
KIBA
SMT-DTA
LIT-PCBA(ALDH1)
LIT-PCBA(KAT2A)
EGT+TGT-At-DP
LIT-PCBA(MAPK1)
SIDER
Ensemble locally constant networks
LIT-PCBA(ESR1_ant)
BindingDB IC50
DeepDTA
PCBA
GraphConv + dummy super node
BACE (β-secretase enzyme)
BBBP (Blood-Brain Barrier Penetration)
DRD2
egfr-inh
Multi-input Neural network with Attention
ESOL (Estimated SOLubility)
FreeSolv (Free Solvation)
Lipophilicity (logd74)
PDBbind
Ensemble locally constant networks
QED
HierG2G
ToxCast (Toxicity Forecaster)
GLAM