Recent Advances in QSAR Modeling for Predicting Drug Activity Using Machine Learning

سال انتشار: 1404
محل انتشار: چهارمین کنفرانس بین المللی پژوهش ها و دستاوردهای نو در علوم، مهندسی و فناوری های نوین
کد COI اختصاصی: SETBCONF04_133
زبان مقاله: انگلیسی
تعداد مشاهده: 75

نویسندگان

College of Engineering, University of Tehran, Tehran, Iran

چکیده

Quantitative Structure-Activity Relationship (QSAR) is a computational strategy used to correlate molecular structures with their biological activities through statistical models. It utilizes molecular descriptors (numerical values representing a compound’s electronic, steric, hydrophobic, and topological properties) to predict activity. When the focus is on physical or chemical properties rather than biological activity, the method is referred to as Quantitative Structure-Property Relationship (QSPR). QSAR/QSPR approaches are essential for prioritizing compounds for synthesis and testing, enabling researchers to predict and optimize the activity of new drug candidates in silico before laboratory validation. Recent advancements in QSAR modeling have significantly enhanced its predictive accuracy, robustness, and applicability domain. In this article, research studies published between ۲۰۱۹ and ۲۰۲۵ employing various machine learning methods are reviewed. The number of molecular descriptors and molecules used in each model is summarized for different drug families.

کلیدواژه ها

Quantitative structure-activity relationship (QSAR), Drug Activity, Half-maximal inhibitory concentration (IC۵۰), Drug Design, Machine learning

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.