From Pharmacogenetics to Pharmacogenomics: The Way toward the Personalization of Antidepressant Treatment
Notice bibliographique
Résumé
OBJECTIVE: Major depressive disorder is the most common psychiatric disorder, worldwide, yet response and remission rates are still unsatisfactory. The identification of genetic predictors of antidepressant (AD) response could provide a promising opportunity to improve current AD efficacy through the personalization of treatment. The major steps and findings along this path are reviewed together with their clinical implications and limitations. METHOD: We systematically reviewed the literature through MEDLINE and Embase database searches, using any word combination of "antidepressant," "gene," "polymorphism," "pharmacogenetics," "genome-wide association study," "GWAS," "response," and "adverse drug reactions." Experimental works and reviews published until March 2012 were collected and compared. RESULTS: Numerous genes pertaining to several functional systems were associated with AD response. The more robust findings were found for the following genes: solute carrier family 6 (neurotransmitter transporter), member 4; serotonin receptor 1A and 2A; brain-derived neurotrophic factor; and catechol-O-methyltransferase. Genome-wide association studies (GWASs) provided many top markers, even if none of them reached genome-wide significance. CONCLUSIONS: AD pharmacogenetics have not produced any knowledge applicable to routine clinical practice yet, as results were mainly inconsistent across studies. Despite this, the rising awareness about methodological deficits of past studies could allow for the identication of more suitable strategies, such as the integration of the GWAS approach with the candidate gene approach, and innovative methodologies, such as pathway analysis and study of depressive endophenotypes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».