MétaCan
Menu
Retour à la cohorte
Enregistrement W1816037677 · doi:10.2174/0929867033456486

[General Articles] Ribozyme-Based Gene-Inactivation Systems Require A Fine Comprehension of their Substrate Specificities; the Case of Delta Ribozyme

2003· article· en· W1816037677 sur OpenAlexafffund
Lucien J. Bergeron, Jonathan Ouellet, Jean‐Pierre Perreault

Notice bibliographique

RevueCurrent Medicinal Chemistry · 2003
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueRNA and protein synthesis mechanisms
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesCanadian Institutes of Health ResearchHealth CanadaUniversité de Sherbrooke
Mots-clésRibozymeMammalian CPEB3 ribozymeLigase ribozymeVS ribozymeRNABiologyCleavage (geology)Computational biologyHairpin ribozymeGeneGeneticsCell biology

Résumé

récupéré en direct d'OpenAlex

The ability of ribozymes (i.e. RNA enzymes) to specifically recognize and subsequently catalyze the cleavage of an RNA substrate makes them attractive for the development of therapeutic tools for the inactivation of both viral RNAs and mRNAs associated with various diseases. Several applicable ribozyme models have been tested both in vitro and in a cellular environment, and have shown significant promise. However, several hurdles remain to be surpassed before we generate a useful gene-inactivation system based on a ribozyme. Among the most important requirements for further progress are a better understanding of the features that contribute to defining the substrate specificity for cleavage by a ribozyme, and the identification of the potential cleavage sites in a given target RNA. The goal of this review is to illustrate the importance of both of these factors at the RNA level in the development of any type of ribozyme based gene-therapy. This is achieved by reviewing the recent progress in both the structure-function relationships and the development of a gene-inactivation system of a model ribozyme, specifically delta ribozyme.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,199

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0600,034

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,264
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2003
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCurrent Medicinal ChemistryMême sujetRNA and protein synthesis mechanismsTravaux en français237 207