A 3D-QSAR model for cannabinoid receptor (CB2) ligands derived from aligned pharmacophors
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cannabinoid (CB) receptors have gained much attention as markers for various brain tumours and potential therapeutic targets of neuropathic pain and mood disorders. Two CB receptors have been cloned and described: CB1, predominantly expressed in the brain and CB2, primarily found in the peripheral system but also in brain. The CB2 receptor is suggested to be involved in various neurodegenerative diseases, such as Alzheimer's or Parkinson's disease [1]. Early and non-invasive diagnosis and therapy monitoring of such diseases is desired. Positron-Emission-Tomography (PET) allows imaging of functional processes in living humans. For this, compounds with positron emitting labels like 18F are used. Due to the high sensitivity of PET, such radiotracers must bind to the target protein with high selectivity. Here, we utilise AutoGPA [2] implemented in the modelling suite MOE (Chemical Computing Group Inc., Montreal) to compute grid potentials build upon a 3D-QSAR model derived from a library of CB2 selective N-Aryl-oxadiazolyl-propionamides. Since a proper alignment of the molecules prior the analysis is crucial to the successful application of these models in further studies, the molecules were aligned based on their pharmacophore features. The obtained model delivers also knowledge of the 3D-structure of the binding site, which, in turn, can be used to refine 3D-models of the CB2 receptor. The steric and electrostatic contour maps are applied for identification of regions suitable for labelling with 18F, the most preferred PET radionuclide. Figure 1
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle