Exploring the Technology Landscape of 7TMR Drug Signaling Profiling
Notice bibliographique
Résumé
Seven transmembrane domain receptors (7TMRs) constitute the largest family of transmembrane proteins in vertebrates and are the targets of more than 40% of currently marketed drugs. It is now accepted that these receptors are highly dynamic "microprocessors" that adopt a continuum of functionally distinct active conformations. The novel concept of biased agonism (or functional selectivity) posits that different ligands stabilize unique receptor conformations with each conformation imparting distinct signaling, and thus biological attributes, to a given receptor. The pharmacotherapeutic potential of biased agonism lies in possibility to develop molecules that selectively engage beneficial pathways while inhibiting or remaining inert towards those producing deleterious outcomes. Various strategies are now applied for the discovery of biased ligands. Many assays use second messenger levels (i.e., calcium, inositol trisphosphate, cAMP) as a quantitative readout of G-protein subtype-specific activity. However, due to complex cross-regulation between the various G-protein pathways, second messenger levels alone are not directly reflective of a ligand's activity on a specific pathway. Consequently, direct measurements of receptor-proximal events (such as G-protein activation and β-arrestin coupling) are required for a more accurate quantification of ligand's efficacy (or bias) towards different pathways. The discovery that various ligands of the same receptor can display different efficacies and potencies towards different receptor-downstream signaling pathways has not only revitalized the process of 7TMR drug discovery, but has significantly transformed the field of pharmacology as a whole. This review will showcase the current pharmacological toolbox available for the discovery and validation of biased ligands.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».