MétaCan
Menu
Retour à la cohorte
Enregistrement W2078594049 · doi:10.2174/157340910791760064

Applications of Current Proteomics Techniques in Modern Drug Design

2010· review· en· W2078594049 sur OpenAlexaff
Chengcheng Zhang, Juergen Kast

Notice bibliographique

RevueCurrent Computer - Aided Drug Design · 2010
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics, Bioinformatics, and Biomedical Research
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésProteomicsPhosphoproteomicsDrugComputational biologyDrug discoveryDrug targetDrug developmentQuantitative proteomicsMechanism (biology)Identification (biology)Drug actionComputer scienceBioinformaticsBiologyProtein phosphorylationPhosphorylationPharmacologyProtein kinase ACell biologyBiochemistryGene

Résumé

récupéré en direct d'OpenAlex

Proteins are currently the major drug targets and thus play a critical role in the process of modern drug design. This typically involves construction of drug compounds based on the structure of a drug target, validation for therapeutic efficacy of the drug compounds, evaluation of drug toxicity, and finally, clinical trial. Proteomics, defined as the comprehensive analysis of the proteins that are expressed in cells or tissues, can be employed at different stages of this process. Comparative proteomics can distinguish subtle changes in protein abundance at a depth of several thousand proteins at different conditions i.e. normal vs disease, to facilitate drug target identification. Also, chemical proteomics can be used to determine drug-target interactions and systematically analyze drug specificity and selectivity. Moreover, phosphoproteomics can be employed to monitor changes in phosphorylation events to characterize drug actions on cell signaling pathways. Similarly, functional proteomics can be utilized to investigate protein-protein and protein-ligand interactions for the clarification of the mechanism of drug action, identification of disease-related sub-networks and novel drug targets. Furthermore, quantitative proteomics can be used to characterize long-term drug effects on protein expression. In addition, computational approaches have emerged to convert complex proteomic data into sophisticated computer models of cellular protein networks. In this review, we will provide an overview of these state-of-the-art proteomics techniques, describe their underlying experimental concepts and compare them to each other, and discuss existing and future applications in the art of drug design and development.

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)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0010,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,003

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 Opus0,068
Tête enseignante GPT0,362
Écart entre enseignants0,294 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations10
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCurrent Computer - Aided Drug DesignMême sujetGenetics, Bioinformatics, and Biomedical ResearchTravaux en français237 207