Prioritization of Therapeutic Targets of Inflammation Using Proteomics, Bioinformatics, and In Silico Cell–Cell Interactomics
Notice bibliographique
Résumé
Leukocyte extravasation is a multistep process, involving the movement of leukocytes out of the circulatory system, through vascular endothelium and to the site of tissue damage or infection. Protein-protein interactions play key roles in the extravasation process and have been attractive therapeutic targets for inhibiting inflammation using blocking (or neutralizing) antibodies. These targets include protein-protein interactions between cytokines (or chemokines) and their receptors on leukocytes and between adhesions molecules involving leukocyte-endothelium contacts. A number of therapeutics against these targets are currently used in clinic for treatment of inflammatory disorders, however, they are associated with side-effects partly due to the off-target actions (i.e., nonspecific targets). There is a need for novel targets involved in the leukocyte extravasation process that are specific to leukocyte subsets or to individual inflammatory disorder, and are amenable for drug development (i.e., duggable). In this chapter, we describe a methodology to identify novel "druggable" targets involving protein-protein interactions between activated leukocytes and endothelial cells using a combination of proteomics, bioinformatics and in silico interactomics. The result is a prioritized list of protein-protein interactions in a network consisting of leukocyte-endothelial cell communication and contacts. These prioritized targets can be pursued for the development of therapeutics such as neutralizing antibodies and for their validation through preclinical testing. The method described here provides the workflow to identify and clinically target important cell-cell interactions that are specific/selective for particular inflammatory disorders and to improve currently available therapies.
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) | 0,000 | 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 ».