Lung gene therapy—How to capture illumination from the light already present in the tunnel
Notice bibliographique
Résumé
Gene therapy has been considered as the most ideal medical intervention for genetic diseases because it is intended to target the cause of diseases instead of disease symptoms. Availability of techniques for identification of genetic mutations and for in vitro manipulation of genes makes it practical and attractive. After the initial hype in 1990s and later disappointments in clinical trials for more than a decade, light has finally come into the tunnel in recent years, especially in the field of eye gene therapy where it has taken big strides. Clinical trials in gene therapy for retinal degenerative diseases such as Leber's congenital amaurosis (LCA) and choroideremia demonstrated clear therapeutic efficacies without apparent side effects. Although these successful examples are still rare and sporadic in the field, they provide the proof of concept for harnessing the power of gene therapy to treat genetic diseases and to modernize our medication. In addition, those success stories illuminate the path for the development of gene therapy treating other genetic diseases. Because of the differences in target organs and cells, distinct barriers to gene delivery exist in gene therapy for each genetic disease. It is not feasible for authors to review the current development in the entire field. Thus, in this article, we will focus on what we can learn from the current success in gene therapy for retinal degenerative diseases to speed up the gene therapy development for lung diseases, such as cystic fibrosis.
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) | 0,000 | 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 | 0,001 | 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 ».