...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Computer-Aided Molecular Design >Evolution of Support Vector Machine and Regression Modeling in Chemoinformatics and Drug Discovery
【24h】

Evolution of Support Vector Machine and Regression Modeling in Chemoinformatics and Drug Discovery

机译：化学信息学和药物发现中支持向量机的演进和回归建模

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The support vector machine (SVM) algorithm is one of the most widely used machine learning (ML) methods for predicting active compounds and molecular properties. In chemoinformatics and drug discovery, SVM has been a state-of-the-art ML approach for more than a decade. A unique attribute of SVM is that it operates in feature spaces of increasing dimensionality. Hence, SVM conceptually departs from the paradigm of low dimensionality that applies to many other methods for chemical space navigation. The SVM approach is applicable to compound classification, and ranking, multi-class predictions, and -in algorithmically modified form- regression modeling. In the emerging era of deep learning (DL), SVM retains its relevance as one of the premier ML methods in chemoinformatics, for reasons discussed herein. We describe the SVM methodology including strengths and weaknesses and discuss selected applications that have contributed to the evolution of SVM as a premier approach for compound classification, property predictions, and virtual compound screening.
机译：支持向量机 （SVM） 算法是用于预测活性化合物和分子性质的最广泛使用的机器学习 （ML） 方法之一。在化学信息学和药物发现领域，SVM 十多年来一直是一种最先进的 ML 方法。SVM 的一个独特属性是它在维数递增的特征空间中运行。因此，SVM在概念上偏离了适用于许多其他化学空间导航方法的低维范式。SVM 方法适用于化合物分类和排序、多类预测以及算法修改的形式回归建模。在深度学习 （DL） 的新兴时代，SVM 作为化学信息学中首屈一指的 ML 方法之一，其相关性仍在进行中，原因如下。我们描述了 SVM 方法，包括优点和缺点，并讨论了有助于 SVM 发展为化合物分类、性质预测和虚拟化合物筛选的主要方法的选定应用。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号