FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W4313594042> ?p ?o ?g. }

• W4313594042 endingPage "801" @default.
• W4313594042 startingPage "787" @default.
• W4313594042 abstract "The coronavirus disease 2019 (COVID-19) health crisis that began at the end of 2019 made researchers around the world quickly race to find effective solutions. Related literature exploded and it was inevitable that an automated approach was needed to find useful information, namely text mining, to overcome COVID-19, especially in terms of drug candidate discovery. While text mining methods for finding drug candidates mostly try to extract bioentity associations from PubMed, very few of them mine with a clustering approach. The purpose of this study was to demonstrate the effectiveness of our approach to identify drugs for the prevention of COVID-19 through literature review, cluster analysis, drug docking calculations, and clinical trial data.This research was conducted in four main stages. First, the text mining stage was carried out by involving Bidirectional Encoder Representations from Transformers for Biomedical to obtain vector representation of each word in the sentence from texts. The next stage generated the disease-drug associations, which were obtained from the correlation between disease and drug. Next, the clustering stage grouped the rules through the similarity of diseases by utilizing Term Frequency-Inverse Document Frequency as its feature. Finally, the drug candidate extraction stage was processed through leveraging PubChem and DrugBank databases. We further used the drug docking package AUTODOCK VINA in PyRx software to verify the results.Comparative analyses showed that the percentage of findings using mining with clustering outperformed mining without clustering in all experimental settings. In addition, we suggest that the top three drugs/phytochemicals by drug docking analysis may be effective in preventing COVID-19.The proposed method for text mining utilizing the clustering method is quite promising in the discovery of drug candidates for the prevention of COVID-19 through the biomedical literature.جعلت الأزمة الصحية كوفيد-19 التي بدأت في نهاية عام 2019 الباحثين من جميع أنحاء العالم يتسابقون بسرعة لإيجاد حلول فعالة حتى الآن. كثرت الأبحاث ذات الصلة وكان من المحتم أن تكون هناك حاجة إلى نهج آلي للعثور على معلومات مفيدة ، وبالتحديد التنقيب عن النص ، للتغلب على كوفيد-19، لا سيما فيما يتعلق باكتشاف مرشح العلاج. بينما تحاول طرق التنقيب عن النص للعثور على الأدوية المرشحة في الغالب استخراج ارتباطات حيوية من بابميد، إلا أن القليل جدا منها يستخدم أسلوب التجميع. الغرض من البحث هو إثبات فعالية نهجنا في تحديد الأدوية للوقاية من كوفيد-19 من خلال مراجعة الأبحاث وتحليل الكتلة وحسابات إرساء الأدوية وبيانات التجارب السريرية.تم إجراء هذا البحث في أربع مراحل رئيسية. أولا، تم تنفيذ مرحلة التنقيب عن النص من خلال إشراك بايوبيرت للحصول على تمثيل متجه لكل كلمة في الجملة من النصوص. كانت المرحلة التالية هي إنشاء روابط دوائية للأمراض يتم الحصول عليها من المراسلات بين المرض والعقار. بعد ذلك ، جمعت مرحلة التجميع القواعد من خلال تشابه الأمراض من خلال استخدام تي إف-آي دي إف كميزات لها. أخيرا، تتم معالجة مرحلة استخراج مرشح الدواء من خلال الاستفادة من قواعد بيانات بابكيم و بنك الدواء. كما استخدمنا حزمة إرساء الأدوية أوتودوك فينا في برنامج بي واي آر إكس للتحقق من النتائج.أظهر التحليل المقارن الذي تم إجراؤه أن النسبة المئوية للنتائج المستخدمة في التعدين مع العنقودية تفوقت على التعدين دون التجميع في جميع البيئات التجريبية. بالإضافة إلى ذلك ، اقترحنا أن أفضل ثلاثة أدوية / مواد كيميائية نباتية من خلال تحليل الالتحام بالعقاقير قد تكون فعالة في الوقاية من كوفيد-19.تعد الطريقة المقترحة لتعدين النص باستخدام طريقة التجميع واعدة للغاية في اكتشاف الوقاية من الأدوية المرشحة لكوفيد-19 من خلال الأدبيات الطبية الحيوية." @default.
• W4313594042 created "2023-01-06" @default.
• W4313594042 creator A5000975317 @default.
• W4313594042 creator A5004160719 @default.
• W4313594042 creator A5018559332 @default.
• W4313594042 creator A5020764575 @default.
• W4313594042 creator A5027991856 @default.
• W4313594042 creator A5029374155 @default.
• W4313594042 creator A5030578811 @default.
• W4313594042 creator A5035909232 @default.
• W4313594042 creator A5043638237 @default.
• W4313594042 creator A5056626970 @default.
• W4313594042 date "2023-08-01" @default.
• W4313594042 modified "2023-09-26" @default.
• W4313594042 title "Cluster-based text mining for extracting drug candidates for the prevention of COVID-19 from the biomedical literature" @default.
• W4313594042 cites W1975147762 @default.
• W4313594042 cites W2051224630 @default.
• W4313594042 cites W2055063781 @default.
• W4313594042 cites W2099188065 @default.
• W4313594042 cites W2134967712 @default.
• W4313594042 cites W2170786724 @default.
• W4313594042 cites W2418641860 @default.
• W4313594042 cites W2790711259 @default.
• W4313594042 cites W2802711901 @default.
• W4313594042 cites W2911489562 @default.
• W4313594042 cites W2913593516 @default.
• W4313594042 cites W2975219453 @default.
• W4313594042 cites W3006121805 @default.
• W4313594042 cites W3009335299 @default.
• W4313594042 cites W3012702001 @default.
• W4313594042 cites W3013154398 @default.
• W4313594042 cites W3013800395 @default.
• W4313594042 cites W3013855790 @default.
• W4313594042 cites W3015463909 @default.
• W4313594042 cites W3015959833 @default.
• W4313594042 cites W3027982260 @default.
• W4313594042 cites W3028123485 @default.
• W4313594042 cites W3033805824 @default.
• W4313594042 cites W3037429853 @default.
• W4313594042 cites W3045767521 @default.
• W4313594042 cites W3049581749 @default.
• W4313594042 cites W3087552318 @default.
• W4313594042 cites W3088639750 @default.
• W4313594042 cites W3091999679 @default.
• W4313594042 cites W3092948466 @default.
• W4313594042 cites W3098131592 @default.
• W4313594042 cites W3102561621 @default.
• W4313594042 cites W3118762315 @default.
• W4313594042 cites W3122632077 @default.
• W4313594042 cites W3132009685 @default.
• W4313594042 cites W3135432895 @default.
• W4313594042 cites W3135572883 @default.
• W4313594042 cites W3157350212 @default.
• W4313594042 cites W3160327088 @default.
• W4313594042 cites W3165063709 @default.
• W4313594042 cites W3165150342 @default.
• W4313594042 cites W3181209248 @default.
• W4313594042 cites W3187110236 @default.
• W4313594042 cites W3189321606 @default.
• W4313594042 cites W3194955921 @default.
• W4313594042 cites W3197240121 @default.
• W4313594042 cites W4220840676 @default.
• W4313594042 doi "https://doi.org/10.1016/j.jtumed.2022.12.015" @default.
• W4313594042 hasPubMedId "https://pubmed.ncbi.nlm.nih.gov/36618881" @default.
• W4313594042 hasPublicationYear "2023" @default.
• W4313594042 type Work @default.
• W4313594042 citedByCount "0" @default.
• W4313594042 crossrefType "journal-article" @default.
• W4313594042 hasAuthorship W4313594042A5000975317 @default.
• W4313594042 hasAuthorship W4313594042A5004160719 @default.
• W4313594042 hasAuthorship W4313594042A5018559332 @default.
• W4313594042 hasAuthorship W4313594042A5020764575 @default.
• W4313594042 hasAuthorship W4313594042A5027991856 @default.
• W4313594042 hasAuthorship W4313594042A5029374155 @default.
• W4313594042 hasAuthorship W4313594042A5030578811 @default.
• W4313594042 hasAuthorship W4313594042A5035909232 @default.
• W4313594042 hasAuthorship W4313594042A5043638237 @default.
• W4313594042 hasAuthorship W4313594042A5056626970 @default.
• W4313594042 hasBestOaLocation W43135940421 @default.
• W4313594042 hasConcept C103637391 @default.
• W4313594042 hasConcept C119857082 @default.
• W4313594042 hasConcept C124101348 @default.
• W4313594042 hasConcept C154945302 @default.
• W4313594042 hasConcept C155261790 @default.
• W4313594042 hasConcept C165141518 @default.
• W4313594042 hasConcept C2780035454 @default.
• W4313594042 hasConcept C41008148 @default.
• W4313594042 hasConcept C71472368 @default.
• W4313594042 hasConcept C71924100 @default.
• W4313594042 hasConcept C73555534 @default.
• W4313594042 hasConcept C98274493 @default.
• W4313594042 hasConceptScore W4313594042C103637391 @default.
• W4313594042 hasConceptScore W4313594042C119857082 @default.
• W4313594042 hasConceptScore W4313594042C124101348 @default.
• W4313594042 hasConceptScore W4313594042C154945302 @default.
• W4313594042 hasConceptScore W4313594042C155261790 @default.
• W4313594042 hasConceptScore W4313594042C165141518 @default.
• W4313594042 hasConceptScore W4313594042C2780035454 @default.

• next