MétaCan
Menu
Retour à la cohorte
Enregistrement W2134575107 · doi:10.2174/187152607781001853

High Throughput Crystallography of TB Drug Targets

2007· review· en· W2134575107 sur OpenAlexaff
A.C. Murillo, H.Y. Li, Tom Alber, Edward N. Baker, Jacob Berger, Leonid T. Cherney, M.M. Cherney, Yoon Song Cho, David Eisenberg, Craig R. Garen, Celia W. Goulding, Li‐Wei Hung, Thomas R. Ioerger, William R. Jacobs, M.N. James, Catherine Kim, Inna V. Krieger, J. Shaun Lott, R. Sankaranarayanan, Brent W. Segelke, Thomas C. Terwilliger, Fangzhou Wang, Shuishu Wang, James C. Sacchettini

Notice bibliographique

RevueInfectious Disorders - Drug Targets · 2007
Typereview
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Institute of Allergy and Infectious Diseases
Mots-clésThroughputDrugComputer scienceComputational biologyMedicineBiologyPharmacologyOperating system

Résumé

récupéré en direct d'OpenAlex

Tuberculosis (TB) infects one-third of the world population. Despite 50 years of available drug treatments, TB continues to increase at a significant rate. The failure to control TB stems in part from the expense of delivering treatment to infected individuals and from complex treatment regimens. Incomplete treatment has fueled the emergence of multi-drug resistant (MDR) strains of Mycobacterium tuberculosis (Mtb). Reducing non-compliance by reducing the duration of chemotherapy will have a great impact on TB control. The development of new drugs that either kill persisting organisms, inhibit bacilli from entering the persistent phase, or convert the persistent bacilli into actively growing cells susceptible to our current drugs will have a positive effect. We are taking a multidisciplinary approach that will identify and characterize new drug targets that are essential for persistent Mtb. Targets are exposed to a battery of analyses including microarray experiments, bioinformatics, and genetic techniques to prioritize potential drug targets from Mtb for structural analysis. Our core structural genomics pipeline works with the individual laboratories to produce diffraction quality crystals of targeted proteins, and structural analysis will be completed by the individual laboratories. We also have capabilities for functional analysis and the virtual ligand screening to identify novel inhibitors for target validation. Our overarching goals are to increase the knowledge of Mtb pathogenesis using the TB research community to drive structural genomics, particularly related to persistence, develop a central repository for TB research reagents, and discover chemical inhibitors of drug targets for future development of lead compounds.

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)0,001
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 enseignants0,011
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0110,006

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 Opus0,020
Tête enseignante GPT0,323
Écart entre enseignants0,302 · 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

Citations46
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInfectious Disorders - Drug TargetsMême sujetComputational Drug Discovery MethodsTravaux en français237 207