బాక్టీరియాలజీ & పారాసిటాలజీ జర్నల్

నైరూప్య

COVID-19 కోసం మెషిన్-లెర్నింగ్ డ్రగ్ రీపర్పోజింగ్

సెమిహ్ కాంటర్క్, అమన్ సింగ్, జాసన్ బెహర్మాన్, పాట్రిక్ సెయింట్-అమంత్*

బయోఇన్ఫర్మేటిక్స్‌లో మెషిన్ లెర్నింగ్ మెథడ్స్‌ను ఏకీకృతం చేయడం అనేది తెలియని క్లినికల్ సందర్భంలో లేదా నవల పాథాలజీకి వ్యతిరేకంగా ఒక సందర్భంలో ప్రభావవంతమైన చికిత్సా విధానాలు ఎలా ఉపయోగపడతాయో గుర్తించడంలో ప్రత్యేక ప్రయోజనాలను అందిస్తుంది. న్యూరల్ నెట్‌వర్క్ మోడల్‌లను ఉపయోగించడం ద్వారా వాటికి వ్యతిరేకంగా ప్రభావవంతంగా ఉండే వైరల్ ప్రోటీన్‌లు మరియు యాంటీవైరల్ థెరప్యూటిక్‌ల మధ్య అంతర్లీన అనుబంధాలను కనుగొనడం మా లక్ష్యం. నేషనల్ సెంటర్ ఫర్ బయోటెక్నాలజీ ఇన్ఫర్మేషన్ వైరస్ ప్రోటీన్ డేటాబేస్ మరియు డ్రగ్ వైరస్ డేటాబేస్ ఉపయోగించి, ఇది బ్రాడ్-స్పెక్ట్రమ్ యాంటీవైరల్ ఏజెంట్లు (BSAAs) మరియు అవి నిరోధించే వైరస్‌ల సమగ్ర నివేదికను అందిస్తుంది, మేము ANN మోడల్‌లకు వైరస్ ప్రోటీన్ సీక్వెన్స్‌లతో ఇన్‌పుట్‌లుగా మరియు యాంటీవైరల్ ఏజెంట్లు సురక్షితమైనవిగా పరిగణించబడ్డాము. అవుట్‌పుట్‌లుగా మానవులలో. మోడల్ శిక్షణలో SARS-CoV-2 ప్రొటీన్‌లు మినహాయించబడ్డాయి మరియు దశలు II, III, IV మరియు ఆమోదించబడిన స్థాయి మందులు మాత్రమే ఉన్నాయి. శిక్షణ పొందిన మోడళ్లకు ఇన్‌పుట్‌లుగా SARS-CoV-2 (COVID-19కి కారణమయ్యే కరోనావైరస్) కోసం సీక్వెన్స్‌లను ఉపయోగించడం వలన COVID-19 చికిత్స కోసం తాత్కాలికంగా సురక్షితమైన మానవ యాంటీవైరల్ అభ్యర్థుల అవుట్‌పుట్‌లను ఉత్పత్తి చేస్తుంది. మా ఫలితాలు బహుళ ఔషధ అభ్యర్థులను సూచిస్తున్నాయి, వాటిలో కొన్ని గుర్తించదగిన క్లినికల్ అధ్యయనాల నుండి ఇటీవలి ఫలితాలను పూర్తి చేస్తాయి. మాదకద్రవ్యాల పునర్వినియోగానికి సంబంధించిన మా ఇన్-సిలికో విధానం కొత్త డ్రగ్ అభ్యర్థులను గుర్తించడంలో మరియు ఇతర వైరల్, బ్యాక్టీరియా మరియు పరాన్నజీవి ఇన్‌ఫెక్షన్‌లకు చికిత్స చేయడంలో వాగ్దానం చేసింది.