Recent methods for measuring dopamine D3 receptor occupancy in vivo: importance for drug development
Notice bibliographique
Résumé
There is considerable interest in developing highly selective dopamine (DA) D3 receptor ligands for a variety of mental health disorders. DA D3 receptors have been implicated in Parkinson's disease, schizophrenia, anxiety, depression, and substance use disorders. The most concrete evidence suggests a role for the D3 receptor in drug-seeking behaviors. D3 receptors are a subtype of D2 receptors, and traditionally the functional role of these two receptors has been difficult to differentiate. Over the past 10-15 years a number of compounds selective for D3 over D2 receptors have been developed. However, translating these findings into clinical research has been difficult as many of these compounds cannot be used in humans. Therefore, the functional data involving the D3 receptor in drug addiction mostly comes from pre-clinical studies. Recently, with the advent of [(11)C]-(+)-PHNO, it has become possible to image D3 receptors in the human brain with increased selectivity and sensitivity. This is a significant innovation over traditional methods such as [(11)C]-raclopride that cannot differentiate between D2 and D3 receptors. The use of [(11)C]-(+)-PHNO will allow for further delineation of the role of D3 receptors. Here, we review recent evidence that the role of the D3 receptor has functional importance and is distinct from the role of the D2 receptor. We then introduce the utility of analyzing [(11)C]-(+)-PHNO binding by region of interest. This novel methodology can be used in pre-clinical and clinical approaches for the measurement of occupancy of both D3 and D2 receptors. Evidence that [(11)C]-(+)-PHNO can provide insights into the function of D3 receptors in addiction is also presented.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».