ReP USP - Resultado da busca

Artigo de periodico
Evaluating Deep Learning models for predicting ALK-5 inhibition (2021)
Espinoza, Gabriel Zarzana; Angelo, Rafaela Molina de ; Oliveira, Patrícia Rufino; Honório, Káthia Maria
Source: PLOS ONE. Unidade: EACH
Subjects: QUÍMICA MÉDICA, QUÍMICA FARMACÊUTICA, PLANEJAMENTO DE FÁRMACOS, NEOPLASIAS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
ESPINOZA, Gabriel Zarzana et al. Evaluating Deep Learning models for predicting ALK-5 inhibition. PLOS ONE, v. 16, n. ja 2021, p. 01-16, 2021Tradução . . Disponível em: https://doi.org/10.1371/journal.pone.0246126. Acesso em: 16 nov. 2024.
APA
Espinoza, G. Z., Angelo, R. M. de, Oliveira, P. R., & Honório, K. M. (2021). Evaluating Deep Learning models for predicting ALK-5 inhibition. PLOS ONE, 16( ja 2021), 01-16. doi:10.1371/journal.pone.0246126
NLM
Espinoza GZ, Angelo RM de, Oliveira PR, Honório KM. Evaluating Deep Learning models for predicting ALK-5 inhibition [Internet]. PLOS ONE. 2021 ; 16( ja 2021): 01-16.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1371/journal.pone.0246126
Vancouver
Espinoza GZ, Angelo RM de, Oliveira PR, Honório KM. Evaluating Deep Learning models for predicting ALK-5 inhibition [Internet]. PLOS ONE. 2021 ; 16( ja 2021): 01-16.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1371/journal.pone.0246126
Artigo de periodico
Knowing and combating the enemy: a brief review on SARS-CoV-2 and computational approaches applied to the discovery of drug candidates (2021)
Serafim, Mateus Sá Magalhães ; Gertrudes, Jadson Castro ; Costa, Debora M.A.; Oliveira, Patrícia Rufino; Maltarollo, Vinícius Gonçalves ; Honório, Káthia Maria
Source: Bioscience Reports. Unidade: EACH
Subjects: COVID-19, INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, PLANEJAMENTO DE FÁRMACOS, QUÍMICA MÉDICA
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
SERAFIM, Mateus Sá Magalhães et al. Knowing and combating the enemy: a brief review on SARS-CoV-2 and computational approaches applied to the discovery of drug candidates. Bioscience Reports, v. 41, n. 3, p. 01-16, 2021Tradução . . Disponível em: https://doi.org/10.1042/BSR20202616. Acesso em: 16 nov. 2024.
APA
Serafim, M. S. M., Gertrudes, J. C., Costa, D. M. A., Oliveira, P. R., Maltarollo, V. G., & Honório, K. M. (2021). Knowing and combating the enemy: a brief review on SARS-CoV-2 and computational approaches applied to the discovery of drug candidates. Bioscience Reports, 41( 3), 01-16. doi:10.1042/BSR20202616
NLM
Serafim MSM, Gertrudes JC, Costa DMA, Oliveira PR, Maltarollo VG, Honório KM. Knowing and combating the enemy: a brief review on SARS-CoV-2 and computational approaches applied to the discovery of drug candidates [Internet]. Bioscience Reports. 2021 ; 41( 3): 01-16.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1042/BSR20202616
Vancouver
Serafim MSM, Gertrudes JC, Costa DMA, Oliveira PR, Maltarollo VG, Honório KM. Knowing and combating the enemy: a brief review on SARS-CoV-2 and computational approaches applied to the discovery of drug candidates [Internet]. Bioscience Reports. 2021 ; 41( 3): 01-16.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1042/BSR20202616
Trabalho de evento-resumo
Uso de aprendizagem profunda para predição de atividade de inibidores de ALK-5 (2020)
Espinoza, Gabriel Zarzana; Angelo, Rafaela Molina de ; Oliveira, Patrícia Rufino; Honório, Káthia Maria
Source: Resumos. Conference titles: Simpósio Internacional de Iniciação Científica e Tecnológica da Universidade de São Paulo - SIICUSP. Unidade: EACH
Subjects: QUÍMICA MÉDICA, QUÍMICA FARMACÊUTICA, PLANEJAMENTO DE FÁRMACOS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
ESPINOZA, Gabriel Zarzana et al. Uso de aprendizagem profunda para predição de atividade de inibidores de ALK-5. 2020, Anais.. São Paulo: Universidade de São Paulo - USP, 2020. Disponível em: https://uspdigital.usp.br/siicusp/siicPublicacao.jsp?codmnu=7210. Acesso em: 16 nov. 2024.
APA
Espinoza, G. Z., Angelo, R. M. de, Oliveira, P. R., & Honório, K. M. (2020). Uso de aprendizagem profunda para predição de atividade de inibidores de ALK-5. In Resumos. São Paulo: Universidade de São Paulo - USP. Recuperado de https://uspdigital.usp.br/siicusp/siicPublicacao.jsp?codmnu=7210
NLM
Espinoza GZ, Angelo RM de, Oliveira PR, Honório KM. Uso de aprendizagem profunda para predição de atividade de inibidores de ALK-5 [Internet]. Resumos. 2020 ;[citado 2024 nov. 16 ] Available from: https://uspdigital.usp.br/siicusp/siicPublicacao.jsp?codmnu=7210
Vancouver
Espinoza GZ, Angelo RM de, Oliveira PR, Honório KM. Uso de aprendizagem profunda para predição de atividade de inibidores de ALK-5 [Internet]. Resumos. 2020 ;[citado 2024 nov. 16 ] Available from: https://uspdigital.usp.br/siicusp/siicPublicacao.jsp?codmnu=7210
Artigo de periodico
Advances and Perspectives in Applying Deep Learning for Drug Design and Discovery (2019)
Lipinski, Célio Fernando ; Maltarollo, Vinícius Gonçalves ; Oliveira, Patrícia Rufino; Silva, Alberico Borges Ferreira da ; Honório, Káthia Maria
Source: Frontiers in Robotics and AI. Unidades: IQSC, EACH
Subjects: INTELIGÊNCIA ARTIFICIAL, QUÍMICA MÉDICA, QUÍMICA FARMACÊUTICA, PLANEJAMENTO DE FÁRMACOS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
LIPINSKI, Célio Fernando et al. Advances and Perspectives in Applying Deep Learning for Drug Design and Discovery. Frontiers in Robotics and AI, v. no 2019, p. 01-06, 2019Tradução . . Disponível em: https://doi.org/10.3389/frobt.2019.00108. Acesso em: 16 nov. 2024.
APA
Lipinski, C. F., Maltarollo, V. G., Oliveira, P. R., Silva, A. B. F. da, & Honório, K. M. (2019). Advances and Perspectives in Applying Deep Learning for Drug Design and Discovery. Frontiers in Robotics and AI, no 2019, 01-06. doi:10.3389/frobt.2019.00108
NLM
Lipinski CF, Maltarollo VG, Oliveira PR, Silva ABF da, Honório KM. Advances and Perspectives in Applying Deep Learning for Drug Design and Discovery [Internet]. Frontiers in Robotics and AI. 2019 ; no 2019 01-06.[citado 2024 nov. 16 ] Available from: https://doi.org/10.3389/frobt.2019.00108
Vancouver
Lipinski CF, Maltarollo VG, Oliveira PR, Silva ABF da, Honório KM. Advances and Perspectives in Applying Deep Learning for Drug Design and Discovery [Internet]. Frontiers in Robotics and AI. 2019 ; no 2019 01-06.[citado 2024 nov. 16 ] Available from: https://doi.org/10.3389/frobt.2019.00108
Artigo de periodico
Transfer and multi-task learning in QSAR modeling: advances and Challenges (2018)
Simões, Rodolfo da Silva; Maltarollo, Vinicius G.; Oliveira, Patrícia Rufino; Honorio, Kathia Maria
Source: Frontiers in Pharmacology. Unidade: EACH
Subjects: PLANEJAMENTO DE FÁRMACOS, QUÍMICA MÉDICA, TRANSFERÊNCIA (APRENDIZAGEM), RELAÇÕES QUANTITATIVAS ENTRE ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
SIMÕES, Rodolfo da Silva et al. Transfer and multi-task learning in QSAR modeling: advances and Challenges. Frontiers in Pharmacology, v. fe 2018, p. 01-07, 2018Tradução . . Disponível em: https://doi.org/10.3389/fphar.2018.00074. Acesso em: 16 nov. 2024.
APA
Simões, R. da S., Maltarollo, V. G., Oliveira, P. R., & Honorio, K. M. (2018). Transfer and multi-task learning in QSAR modeling: advances and Challenges. Frontiers in Pharmacology, fe 2018, 01-07. doi:10.3389/fphar.2018.00074
NLM
Simões R da S, Maltarollo VG, Oliveira PR, Honorio KM. Transfer and multi-task learning in QSAR modeling: advances and Challenges [Internet]. Frontiers in Pharmacology. 2018 ; fe 2018 01-07.[citado 2024 nov. 16 ] Available from: https://doi.org/10.3389/fphar.2018.00074
Vancouver
Simões R da S, Maltarollo VG, Oliveira PR, Honorio KM. Transfer and multi-task learning in QSAR modeling: advances and Challenges [Internet]. Frontiers in Pharmacology. 2018 ; fe 2018 01-07.[citado 2024 nov. 16 ] Available from: https://doi.org/10.3389/fphar.2018.00074
Artigo de periodico
A molecular modeling study of combretastatin-like chalcones as anticancer agents using PLS, ANN and consensus models (2018)
Lipinski, Célio Fernando; Oliveira, Aline Alves; Honorio, Kathia Maria; Oliveira, Patrícia Rufino; Silva, Alberico Borges Ferreira da
Source: Structural Chemistry: computational and experimental studies of chemical and biological systems. Unidades: EACH, IQSC
Subjects: MICROTÚBULOS, NEOPLASIAS, BIOLOGIA MOLECULAR
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
LIPINSKI, Célio Fernando et al. A molecular modeling study of combretastatin-like chalcones as anticancer agents using PLS, ANN and consensus models. Structural Chemistry: computational and experimental studies of chemical and biological systems, v. 29, p. 01-09, 2018Tradução . . Disponível em: https://doi.org/10.1007/s11224-017-1072-2. Acesso em: 16 nov. 2024.
APA
Lipinski, C. F., Oliveira, A. A., Honorio, K. M., Oliveira, P. R., & Silva, A. B. F. da. (2018). A molecular modeling study of combretastatin-like chalcones as anticancer agents using PLS, ANN and consensus models. Structural Chemistry: computational and experimental studies of chemical and biological systems, 29, 01-09. doi:10.1007/s11224-017-1072-2
NLM
Lipinski CF, Oliveira AA, Honorio KM, Oliveira PR, Silva ABF da. A molecular modeling study of combretastatin-like chalcones as anticancer agents using PLS, ANN and consensus models [Internet]. Structural Chemistry: computational and experimental studies of chemical and biological systems. 2018 ; 29 01-09.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1007/s11224-017-1072-2
Vancouver
Lipinski CF, Oliveira AA, Honorio KM, Oliveira PR, Silva ABF da. A molecular modeling study of combretastatin-like chalcones as anticancer agents using PLS, ANN and consensus models [Internet]. Structural Chemistry: computational and experimental studies of chemical and biological systems. 2018 ; 29 01-09.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1007/s11224-017-1072-2
Artigo de periodico
New consensus multivariate models based on PLS and ANN studies of sigma-1 receptor antagonists (2017)
Oliveira, Aline A; Lipinski, Célio F; Pereira, Estevão B; Honório, Káthia Maria; Oliveira, Patrícia Rufino; Weber, Karen C; Romero, Roseli Aparecida Francelin ; Sousa, Alexsandro G. de; Silva, Alberico Borges Ferreira da
Source: Journal of Molecular Modeling. Unidades: EACH, ICMC, IQSC
Subjects: FARMACOLOGIA MOLECULAR, RECEPTORES, MODELOS (ANÁLISE MULTIVARIADA), REDES NEURAIS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
OLIVEIRA, Aline A et al. New consensus multivariate models based on PLS and ANN studies of sigma-1 receptor antagonists. Journal of Molecular Modeling, v. 23, p. 1-15, 2017Tradução . . Disponível em: https://doi.org/10.1007/s00894-017-3444-3. Acesso em: 16 nov. 2024.
APA
Oliveira, A. A., Lipinski, C. F., Pereira, E. B., Honório, K. M., Oliveira, P. R., Weber, K. C., et al. (2017). New consensus multivariate models based on PLS and ANN studies of sigma-1 receptor antagonists. Journal of Molecular Modeling, 23, 1-15. doi:10.1007/s00894-017-3444-3
NLM
Oliveira AA, Lipinski CF, Pereira EB, Honório KM, Oliveira PR, Weber KC, Romero RAF, Sousa AG de, Silva ABF da. New consensus multivariate models based on PLS and ANN studies of sigma-1 receptor antagonists [Internet]. Journal of Molecular Modeling. 2017 ; 23 1-15.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1007/s00894-017-3444-3
Vancouver
Oliveira AA, Lipinski CF, Pereira EB, Honório KM, Oliveira PR, Weber KC, Romero RAF, Sousa AG de, Silva ABF da. New consensus multivariate models based on PLS and ANN studies of sigma-1 receptor antagonists [Internet]. Journal of Molecular Modeling. 2017 ; 23 1-15.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1007/s00894-017-3444-3
Artigo de periodico
Applying machine learning techniques for ADME-Tox prediction: a review (2015)
Maltarollo, Vinícius Gonçalves; Gertrudes, Jadson Castro; Oliveira, Patrícia Rufino; Honório, Kathia Maria
Source: Expert Opinion on Drug Metabolism & Toxicology. Unidade: EACH
Subjects: MODELAGEM MOLECULAR, FARMACOCINÉTICA, XENOBIÓTICO, APRENDIZADO COMPUTACIONAL, RELAÇÕES QUANTITATIVAS ENTRE ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
MALTAROLLO, Vinícius Gonçalves et al. Applying machine learning techniques for ADME-Tox prediction: a review. Expert Opinion on Drug Metabolism & Toxicology, v. 11, n. 2, p. 259-271, 2015Tradução . . Disponível em: https://doi.org/10.1517/17425255.2015.980814. Acesso em: 16 nov. 2024.
APA
Maltarollo, V. G., Gertrudes, J. C., Oliveira, P. R., & Honório, K. M. (2015). Applying machine learning techniques for ADME-Tox prediction: a review. Expert Opinion on Drug Metabolism & Toxicology, 11( 2), 259-271. doi:10.1517/17425255.2015.980814
NLM
Maltarollo VG, Gertrudes JC, Oliveira PR, Honório KM. Applying machine learning techniques for ADME-Tox prediction: a review [Internet]. Expert Opinion on Drug Metabolism & Toxicology. 2015 ; 11( 2): 259-271.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1517/17425255.2015.980814
Vancouver
Maltarollo VG, Gertrudes JC, Oliveira PR, Honório KM. Applying machine learning techniques for ADME-Tox prediction: a review [Internet]. Expert Opinion on Drug Metabolism & Toxicology. 2015 ; 11( 2): 259-271.[citado 2024 nov. 16 ] Available from: https://doi.org/10.1517/17425255.2015.980814

USP Schools

ReP

Filtros

Authors

USP affiliated authors

Date published

Subjects

Source title

Indexado em

Non normalized affiliation