最近在基于机器学习的模型中取得的进展,用于预测抗病毒
Farman Ali1, Harish Kumar2, Wajdi Alghamdi3
1Sarhad University of Science and Information Technology Peshawar, Mardan Campus, Khyber Pakhtunkhwa, Pakistan.
Archives of computational methods in engineering : state of the art reviews
|June 26, 2023
概括
抗病毒 (AVP) 对于对抗病毒性疾病至关重要. 本研究回顾了当前的AVP识别方法,突出了局限性,并提出了更准确的药物设计预测器的未来方向.
科学领域:
- 生物化学和分子生物学
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 病毒感染,包括COVID-19,艾滋病毒和肝炎,对全球健康构成重大挑战.
- 抗病毒 (AVP) 越来越多地被用于治疗药物设计,以对抗这些感染.
- 准确识别AVP对于推动药物研发至关重要.
研究的目的:
- 对现有的抗病毒 (AVP) 识别方法进行全面审查.
- 分析AVP预测中使用的数据集,特征表示,分类算法和性能评估指标.
- 确定目前AVP识别策略的局限性,并提出未来的研究方向.
主要方法:
- 对实验和计算AVP识别方法的系统文献综述.
- 应用数据集,特征编码技术和机器学习分类器的分析.
- 评估绩效指标,并比较不同的预测模型.
主要成果:
- 现有的AVP识别方法在准确性和效率方面存在局限性.
- 提供了各种特征表示和分类算法的详细概述.
- 讨论了用于AVP预测的常用分类器的优缺点.
结论:
- 需要更准确的预测器来增强抗病毒 (AVP) 的识别.
- 未来的研究应该专注于先进的特征编码,优化和分类技术.
- 改进的AVP预测方法将大大有利于药物设计和制药行业.
