Applications of metabolimcs to medicinal plants for scientific study and drug discovery
Notice bibliographique
Résumé
The term "metabolomics" was developed 10 years ago to describe the untargeted identification and quantification of all of the small metabolites in a biological sample. Over the last decade, researchers have been working to develop methodological approaches, standards, data analysis tools and new technologies that enable metabolome studies. Medicinal plants are ideal candidates for investigations by metabolomics as research questions often involve quantification multiple bioactive or marker compounds, synergy between molecules and complex interactions within a system. It has been estimated an average leaf sample could contain up to 30,000 compounds; the vast majority of which have never been isolated, identified or described. In metabolomic profiles we have observed 2,500 compounds in St. John's wort, 4,800 in Scutellaria baicalensis, and 5,200 in cranberries. By comparing metabolomes of different extracts and focusing the statistical analysis on unknowns in each sample, we have identified previously undiscovered compounds required for medicinal activity leading us to propose an alternate "Metabolomics-Based Drug Discovery Pipeline". Key factors for success are production of standardized active plant extracts and statistical methods to evaluate data quality thereby minimizing potential false discovery. This approach has the advantage of providing basic chemical information on compounds not sufficiently stable to withstand purification processes and could lead to a greater understandings of chemical synergy and the interactions of medicinal plants with human metabolism.
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 | 0,003 | 0,002 |
| 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 | 0,000 | 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 ».