Machine Learning Methods for Property Prediction in Chemoinformatics: Quo Vadis?статья

Статья опубликована в высокорейтинговом журнале

Информация о цитировании статьи получена из Scopus, Web of Science
Статья опубликована в журнале из списка Web of Science и/или Scopus
Дата последнего поиска статьи во внешних источниках: 18 июля 2013 г.

Работа с статьей

[1] Varnek A., Baskin I. Machine learning methods for property prediction in chemoinformatics: Quo vadis? // Journal of Chemical Information and Modeling. — 2012. — Vol. 52, no. 6. — P. 1413–1437. This paper is focused on modern approaches to machine learning, most of which are as yet used infrequently or not at all in chemoinformatics. Machine learning methods are characterized in terms of the “modes of statistical inference” and “modeling levels” nomenclature and by considering different facets of the modeling with respect to input/ouput matching, data types, models duality, and models inference. Particular attention is paid to new approaches and concepts that may provide efficient solutions of common problems in chemoinformatics: improvement of predictive performance of structure–property (activity) models, generation of structures possessing desirable properties, model applicability domain, modeling of properties with functional endpoints (e.g., phase diagrams and dose–response curves), and accounting for multiple molecular species (e.g., conformers or tautomers). [ DOI ]

Публикация в формате сохранить в файл сохранить в файл сохранить в файл сохранить в файл сохранить в файл сохранить в файл скрыть