Understanding and creating value from open source drug discovery for neglected tropical diseases
Notice bibliographique
Résumé
INTRODUCTION: The health commons (known as open source) refers to knowledge-based assets that are shared or owned in common by stakeholders found across the health value chain. The unique challenges presented to drug discovery and development including biological, chemical and economic are particularly salient for neglected tropical diseases (NTDs), warranting new networks and models of open collaboration between scientists from the public and private sectors. AREAS COVERED: The goal of this paper is to progress beyond the review of open source strategies NTDs to a discussion of an assessment of these strategies. The authors discuss the notion of evolving openness across the pharmaceutical value chain and discuss and develop a framework for assessing the value and outcomes of open source drug discovery for NTDs, based on the available literature. EXPERT OPINION: Collectively, open source programs for NTDs, beyond the actual deposits themselves, should foster linkages between experts in key disease arenas, encourage collaborations through such linkages and most urgently enable human capacity development. Quantifying their value in absolute terms is not an easy task since exchange markets do not always exist for deposited and shared assets. From the perspective of capacity development, the potential and benefits certainly exist for program development involving NTD initiatives, institutions and students in disease-endemic countries. Here, stakeholders such as public grant agencies and private sector sponsors can play a role in encouraging initiatives that link open and broad knowledge dissemination to the development of local human and technological capacity in NTD-endemic countries.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».