Drugs and genotypes: how pharmacogenetic information could improve smoking cessation treatment
Notice bibliographique
Résumé
Current smoking cessation treatments are not optimal as the long-term abstinence rates are low. Nicotine replacement therapy and bupropion are the only pharmacotherapies widely available to smokers and there is a need to improve current cessation treatments and to develop new drug therapies. Our goal is to use pharmacogenetic information to improve smoking cessation treatments. Candidate genes include those involved in central mechanisms (such as genes encoding the nicotinic acetylcholine receptors, dopamine receptors, dopamine transporters and opioid receptors) and peripheral mechanisms (such as genes encoding the drug-metabolizing enzymes CYP2A6 and CYP2B6). Pharmacogenetics could be used to improve current smoking cessation treatments through two general approaches. The first would be to identify novel drug targets based on genetic variants that are associated with a natural protection against nicotine dependence, decreased smoking behaviour and/or increased smoking cessation. This knowledge could be used to develop drugs that can mimic these advantages, reducing the risk for acquisition, block the rewarding effects of smoking, decreasing the amount smoked and increasing cessation. The second would be to identify smokers with particular genetic variants who are likely to respond better to one treatment (or dose) versus another and to individualize their treatment to maximize long-term abstinence. This review will highlight examples of how pharmacogenetic information from central and peripheral candidate genes could contribute to improving smoking cessation outcomes by these two approaches.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».