FitScore: a fast machine learning-based score for 3D virtual screening enrichment
Journal of Computer-Aided Molecular Design · 2024
DOI: 10.1007/s10822-024-00570-4 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Computer-Aided Molecular Design, 2024. Verfasst von Daniel K Gehlhaar und 1 weiteren Autor:innen. Beteiligte Einrichtung: Pfizer, Inc., 10777 Science Center Drive, San Diego, CA, 92121, USA. dan.gehlhaar@pfizer.com. Hauptthemen laut MEDLINE: Machine Learning, Molecular Docking Simulation. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 36 Literaturangaben.
Abstract (Originalsprache)
Kein Abstract verfügbar.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Substanzen
Autor:innen und Institutionen
- Pfizer, Inc., 10777 Science Center Drive, San Diego, CA, 92121, USA. dan.gehlhaar@pfizer.com.
- Pfizer, Inc., 10777 Science Center Drive, San Diego, CA, 92121, USA.
ORCID-Profile: Daniel K Gehlhaar, Daniel J Mermelstein
Zitieren
APA
Gehlhaar, D. K., & Mermelstein, D. J. (2024). FitScore: a fast machine learning-based score for 3D virtual screening enrichment. Journal of Computer-Aided Molecular Design. https://doi.org/10.1007/s10822-024-00570-4
Vancouver
Gehlhaar DK, Mermelstein DJ. FitScore: a fast machine learning-based score for 3D virtual screening enrichment. Journal of Computer-Aided Molecular Design. 2024. doi:10.1007/s10822-024-00570-4
BibTeX
@article{Gehlhaar2024,
author = {Gehlhaar, Daniel K and Mermelstein, Daniel J},
title = {FitScore: a fast machine learning-based score for 3D virtual screening enrichment},
journal = {Journal of Computer-Aided Molecular Design},
year = {2024},
doi = {10.1007/s10822-024-00570-4}
}
EUVIMED