A systems-level analysis of drug–target–disease associations for drug repositioning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Drug repositioning is the process of finding new therapeutic uses for existing, approved drugs-a process thathas value when considering the exorbitant costs of novel drug development. Several computational strategies exist as a way to predict these alternative applications. In this study, we used datasets on: (1) human biological drug targets and (2) disease-associated genes and, based on a direct functional interaction between them, searched for potential opportunities for drug repositioning. From the set of 1125 unique drug targets and their 88 490 interactions with disease-associated genes, 30 drug targets were analyzed and (3) discussed in detail for the purpose of this article. The current indications of the drugs thattarget them were validated through the interactions, and new opportunities for repositioning were predicted. Among the set of drugs for potential repositioning werebenzodiazepines for the treatment of autism spectrum disorders; nortriptyline for the treatment of melanoma, glioma and other cancers; and vitamin B6 in prevention of spontaneous abortions and cleft palate birth defects. Special emphasis was also placed on those new potential indications that pertained to orphan diseases-these are diseases whose rarity means that development of novel treatment is not financially viable. This computational drug repositioning approach uses existing information on drugs and drug targets, and insights into the genetic basis of disease, as a means to systematically generate the most probable new uses for the drugs on offer, and in this way harness their true therapeutic power.
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.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle