Resumen

El diagnóstico precoz de enfermedades pandémicas como la COVID-19 puede resultar beneficioso para afrontar situaciones difíciles y ayudar a los radiólogos y otros expertos a gestionar la dotación de personal con mayor eficacia. La aplicación de técnicas de aprendizaje profundo para la genética, la microscopía y el descubrimiento de fármacos ha creado un impacto global. Puede mejorar y acelerar el proceso de investigación médica y desarrollo de vacunas, que es necesario para pandemias como la COVID-19. Sin embargo, los fármacos actuales, como el remdesivir, y los ensayos clínicos de otros compuestos químicos no han mostrado muchos resultados impresionantes. Por lo tanto, puede llevar más tiempo proporcionar un tratamiento o fármacos eficaces. En este trabajo, se sugiere un enfoque de aprendizaje profundo basado en regresión logística, SVM, Random Forest y modelado QSAR. El modelado QSAR se realiza para encontrar las dianas de fármacos con interacción proteica junto con el cálculo de afinidades de unión. Luego se utilizaron modelos de aprendizaje profundo para entrenar el conjunto de datos de descriptores moleculares para el descubrimiento robusto de fármacos y la extracción de características para combatir COVID-19. Los resultados han mostrado afinidades de unión más significativas (superiores a -18) para muchas moléculas que pueden utilizarse para bloquear la multiplicación del SARS-CoV-2, responsable del COVID-19.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:COVID-19, modelado QSAR, enfoque de aprendizaje profundo, modelos de aprendizaje profundo, técnicas de aprendizaje profundo, muchos resultados impresionantes, conjunto de datos de descriptores moleculares, otros compuestos químicos, afinidades, fármacos.
• Keywords:COVID-19, QSAR modeling, deep learning approach, deep learning models, deep learning techniques, many impressive results, molecular descriptor dataset, other chemical compounds, affinities, drugs