Machine learning models identify inhibitors of SARS-CoV2 (2021)
- Authors:
- Oliveira, Victor Gawriljuk Ferraro
- Zin, Phyo Phyo Kyaw
- Puhl, Ana C.
- Zorn, Kimberley M.
- Foil, Daniel H.
- Lane, Thomas R.
- Hurst, Brett
- Tavella, Tatyana Almeida
- Costa, Fabio Trindade Maranhão
- Lakshmanane, Premkumar
- Bernatchez, Jean
- Godoy, Andre Schutzer de
- Oliva, Glaucius
- Siqueira-Neto, Jair L.
- Madrid, Peter B.
- Ekins, Sean
- USP affiliated authors: OLIVA, GLAUCIUS - IFSC ; OLIVEIRA, VICTOR GAWRILJUK FERRARO - IFSC ; GODOY, ANDRE SCHÜTZER DE - IFSC
- Unidade: IFSC
- DOI: 10.1021/acs.jcim.1c00683
- Subjects: CORONAVIRUS; COVID-19; APRENDIZADO COMPUTACIONAL; PLANEJAMENTO DE FÁRMACOS; ANTIVIRAIS
- Keywords: SARS-CoV-2; Machine learning; Molecules; Testing and assessment; Assays
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Washington, DC
- Date published: 2021
- Source:
- Título: Journal of Chemical Information and Modeling
- ISSN: 1549-9596
- Volume/Número/Paginação/Ano: v. 61, n. 9, p. 4224-4235, Sept. 2021
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: green
-
ABNT
OLIVEIRA, Victor Gawriljuk Ferraro et al. Machine learning models identify inhibitors of SARS-CoV2. Journal of Chemical Information and Modeling, v. 61, n. 9, p. 4224-4235, 2021Tradução . . Disponível em: https://doi.org/10.1021/acs.jcim.1c00683. Acesso em: 27 dez. 2025. -
APA
Oliveira, V. G. F., Zin, P. P. K., Puhl, A. C., Zorn, K. M., Foil, D. H., Lane, T. R., et al. (2021). Machine learning models identify inhibitors of SARS-CoV2. Journal of Chemical Information and Modeling, 61( 9), 4224-4235. doi:10.1021/acs.jcim.1c00683 -
NLM
Oliveira VGF, Zin PPK, Puhl AC, Zorn KM, Foil DH, Lane TR, Hurst B, Tavella TA, Costa FTM, Lakshmanane P, Bernatchez J, Godoy AS de, Oliva G, Siqueira-Neto JL, Madrid PB, Ekins S. Machine learning models identify inhibitors of SARS-CoV2 [Internet]. Journal of Chemical Information and Modeling. 2021 ; 61( 9): 4224-4235.[citado 2025 dez. 27 ] Available from: https://doi.org/10.1021/acs.jcim.1c00683 -
Vancouver
Oliveira VGF, Zin PPK, Puhl AC, Zorn KM, Foil DH, Lane TR, Hurst B, Tavella TA, Costa FTM, Lakshmanane P, Bernatchez J, Godoy AS de, Oliva G, Siqueira-Neto JL, Madrid PB, Ekins S. Machine learning models identify inhibitors of SARS-CoV2 [Internet]. Journal of Chemical Information and Modeling. 2021 ; 61( 9): 4224-4235.[citado 2025 dez. 27 ] Available from: https://doi.org/10.1021/acs.jcim.1c00683 - Antiviral candidates discovery based on the structure of the yellow fever NS5 RNA-dependent RNA polymerase enzyme
- Development of machine learning models and the discovery of a new antiviral compound against yellow fever virus
- Planejamento de candidatos antivirais contra o vírus da febre amarela baseados na estrutura do complexo NS2B-NS3 protease
- Descoberta de candidatos antivirais baseados na estrutura da enzima NS5 RNA polimerase RNA-dependente do vírus da febre amarela
- Descoberta e desenvolvimento de candidatos antivirais contra o vírus da febre amarela baseados na estrutura do complexo NS2B-NS3 protease
- Descoberta de candidatos antivirais baseados na estrutura da enzima NS5 RNA polimerase RNA-dependente do vírus da febre amarela
- Structural studies of the ns2b-ns3 protease complex of the brazilian circulating strain of yellow fever virus
- Superlaboratório Sirius ajuda a revelar detalhes inéditos da reprodução do vírus da Covid-19 [Depoimento]
- Primeiro experimento realizado no Sirius busca desenvolver fármaco para COVID-19. [Depoimento a Maria Fernanda Ziegler]
- Structural characterization and polymorphism analysis of the NS2B-NS3 protease from the 2017 Brazilian circulating strain of Yellow Fever virus
Informações sobre o DOI: 10.1021/acs.jcim.1c00683 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3043576.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
