In silico screening of potent natural inhibitor compounds against Human DOPA Decarboxylase for management of Parkinson’s Disease
Notice bibliographique
Résumé
Loss of dopaminergic neurons of the substantia nigra of the mid brain is a well studied pathophysiology of Parkinson's disease (PD), is the second most common neurodegenerative disorder. To compensate dopamine levels at the Central Nervous System (CNS) exogenous L-Dopa is generally administered. But the major part of the L-Dopa is metabolized by Dopa decarboxylase (DDC, E.C. 4.1.1.28), a pyridoxal 5 ' -phosphate (PLP) enzyme, which is abundant in CNS and hence, only 1-5% of L-Dopa reaches to dopaminergic neurons. In this context, co-administration of peripheral DDC inhibitors (carbidopa or benserazide) has been successfully used for the symptomatic treatment of PD patients. But, due to use of synthetic drugs many adverse effects have been reported during treatment. Therefore, the current study is planned to discover some plant based potent natural inhibitors against human DDC as an alternative way for the management of PD. This study was conducted through virtual screening and molecular docking of DDC enzyme with phytochemicals like withania somnifera (ashwagandha), glycine max (soybean), vicia faba (broad bean), and marsilea quadrifolia (sunsunia) etc to evaluate their inhibition properties. In silico study results shown a good binding affinity and predicted some of the phytochemicals as potent natural inhibitors against human DDC. This work could be validated further through experimental procedures.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».