MétaCan
Menu
Retour à la cohorte
Enregistrement W2764691768 · doi:10.1007/978-1-61779-191-8_9

Optimization of the Caco-2 Permeability Assay to Screen Drug Compounds for Intestinal Absorption and Efflux

2011· article· en· W2764691768 sur OpenAlexaff
Barry Press

Notice bibliographique

RevueMethods in molecular biology · 2011
Typearticle
Langueen
DomaineMedicine
ThématiqueDrug Transport and Resistance Mechanisms
Établissements canadiensOntario Institute for Cancer ResearchOccupational Cancer Research Centre
Organismes subventionnairesnon disponible
Mots-clésEffluxIn vitroIn vivoBioavailabilityChemistryIn silicoCaco-2Intestinal permeabilityMembrane permeabilityPermeability (electromagnetism)DrugPharmacologyChromatographyMembraneBiochemistryBiologyBiotechnologyImmunology

Résumé

récupéré en direct d'OpenAlex

In vitro permeability assays are a valuable tool for scientists during lead compound optimization. As a majority of discovery projects are focused on the development of orally bioavailable drugs, correlation of in vitro permeability data to in vivo absorption results is critical for understanding the structural-physicochemical relationship (SPR) of drugs exhibiting low levels of absorption. For more than a decade, the Caco-2 screening assay has remained a popular, in vitro system to test compounds for both intestinal permeability and efflux liability. Despite advances in artificial membrane technology and in silico modeling systems, drug compounds still benefit from testing in cell-based epithelial monolayer assays for lead optimization. This chapter provides technical information for performing and optimizing the Caco-2 assay. In addition, techniques are discussed for dealing with some of the most pressing issues surrounding in vitro permeability assays (i.e., low aqueous solubility of test compounds and low postassay recovery). Insights are offered to help researchers avoid common pitfalls in the interpretation of in vitro permeability data, which can often lead to the perception of misleading results for correlation to in vivo data.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,102
Score d'incertitude au seuil0,253

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,033
Tête enseignante GPT0,358
Écart entre enseignants0,325 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

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
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMethods in molecular biologyMême sujetDrug Transport and Resistance MechanismsTravaux en français237 207