MétaCan
Menu
Retour à la cohorte
Enregistrement W2470937536 · doi:10.1146/annurev-pharmtox-010716-104805

Strategies to Develop Inhibitors of Motif-Mediated Protein-Protein Interactions as Drug Leads

2016· review· en· W2470937536 sur OpenAlexafffund
Carles Corbi‐Verge, Michael Garton, Satra Nim, Philip M. Kim

Notice bibliographique

RevueThe Annual Review of Pharmacology and Toxicology · 2016
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueChemical Synthesis and Analysis
Établissements canadiensUniversity of Toronto
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésPeptideComputational biologyDrug discoveryChemistryDrugCell permeabilityBioavailabilityBiochemistryCombinatorial chemistryPharmacologyBiology

Résumé

récupéré en direct d'OpenAlex

Protein-protein interactions are fundamental for virtually all functions of the cell. A large fraction of these interactions involve short peptide motifs, and there has been increased interest in targeting them using peptide-based therapeutics. Peptides benefit from being specific, relatively safe, and easy to produce. They are also easy to modify using chemical synthesis and molecular biology techniques. However, significant challenges remain regarding the use of peptides as therapeutic agents. Identification of peptide motifs is difficult, and peptides typically display low cell permeability and sensitivity to enzymatic degradation. In this review, we outline the principal high-throughput methodologies for motif discovery and describe current methods for overcoming pharmacokinetic and bioavailability limitations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,913
Score d'incertitude au seuil0,929

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,353
Écart entre enseignants0,340 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Annual Review of Pharmacology and ToxicologyMême sujetChemical Synthesis and AnalysisTravaux en français237 207