Antiepileptic drug discovery: lessons from the past and future challenges
Notice bibliographique
Résumé
Historically, most antiepileptic drugs (AEDs) have been discovered either by serendipity, or the screening of compounds using acute seizure models. However, an increasing understanding of the molecular mechanisms underlying epileptogenesis has led to more rational approaches to drug discovery, which have focused on either enhancing inhibitory gamma-amino butyric acid (GABA)-ergic, or antagonizing excitatory glutamatergic, neurotransmission. Unfortunately, AEDs generated using such strategies have poor efficacy and safety profiles, as they interfere with normal cell processes, while ignoring the complex underlying pathophysiology of epilepsy. Recently, however, the use of new epilepsy models has led to the discovery of levetiracetam, an AED with a truly unique mechanism of action, devoid of anticonvulsant activity in normal animals, but with potent seizure suppression in genetic and kindled chronic epilepsy models, and an unusually high safety margin. The recent identification of brivaracetam and seletracetam, which optimize this unique mechanism of action, may further improve the medical management of epilepsy. The experience with levetiracetam, brivaracetam and seletracetam reveals that new experimental epilepsy models can detect AEDs possessing a unique mechanism of action and thereby target the future challenge of providing clinicians novel additions to the current armamentarium of AEDs.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,007 |
| Communication savante | 0,005 | 0,017 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».