Mapping the Disease Protein Interactome: Toward a Molecular Medicine GPS to Accelerate Drug and Biomarker Discovery
Notice bibliographique
Résumé
Genomic approaches such as genome-wide association studies (GWAS), disease genome sequencing projects, and genome-wide expression profiling analyses, in conjunction with classical genetic approaches, can identify human genes that are altered in disease, thereby suggesting a role for the encoded protein (or RNA) in the establishment and/or progression of the disease. However, many technical difficulties challenge our ability to validate the role of these disease-associated genes and gene products. Moreover, many identified genes contain open reading frames (ORFs) that have yet to be annotated, that is, the function (or activity) of the encoded protein is unknown. As a result, translating the genomic information available in public databases into useful tools for understanding and curing disease is a very slow and inefficient process. To overcome these difficulties, we have developed a technology platform, termed the "molecular medicine GPS" (mm-GPS), which is aimed at defining high-quality maps of interaction networks involving disease proteins. These maps are used to identify network dysfunctions in disease cells or models and to develop molecular tools such as RNA interference (RNAi) and small-molecule inhibitors to further characterize the molecular basis of disease. In this article, I review our progress in producing high-quality maps of human protein interaction networks, and I describe how we used this information to identify new factors and pathways that regulate the RNA polymerase II transcription machinery. I also describe how we utilize the mm-GPS platform to guide more efficient efforts leading from disease-associated genes to protein interaction networks to small-molecule inhibitors, and consequently, to accelerate drug and biomarker discovery.
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 | 0,000 |
| 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 | 0,000 | 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 ».