Notice bibliographique
Résumé
The potential areas of applications of chemogenomic approaches are very large. Thanks to the large amount of knowledge accumulated during years of research, it is now possible to consider the binding of a ligand to a protein in a much larger context. This knowledge combined with the augmentation of computing capabilities allows global approaches to investigate biological and pharmaceutical problems. Classification of proteins, focused libraries, selectivity profiles and elaboration of new ligands for orphan receptors can all be investigated using chemogenomic. G protein-coupled receptors (GPCRs) constitute a large protein family of significant interest in pharmaceutical research. Despite this interest, and excluding the more than 360 nonolfatory proteins, the endogenous ligands of about 100 GPCRs have still not been identified. The main limitation of GPCRs investigation is the lack of 3D structures. The goal of this review is to present different chemogenomic approaches that can be applied to GPCRs. Three types of such approaches are presented: ligand centered, protein centered and protein-ligand centered approaches. For each of them, current limitations and biases are mentioned. Keywords: Chemogenomic, computational chemistry, fingerprint, focus library, machine learning, gpcr, pharmacophore, augmentation, selectivity profiles and, G protein-coupled receptors, ligand centered, protein centered, protein-ligand centered approaches, biological assay, experimental binding assay
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 | 0,000 |
| 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 ».