MétaCan
Menu
Retour à la cohorte
Enregistrement W2788529035 · doi:10.1534/genetics.117.300124

How Surrogate and Chemical Genetics in Model Organisms Can Suggest Therapies for Human Genetic Diseases

2018· review· en· W2788529035 sur OpenAlexafffund
Katherine A Strynatka, Michelle C Gurrola-Gal, Jason N. Berman, Christopher R. McMaster

Notice bibliographique

RevueGenetics · 2018
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCRISPR and Genetic Engineering
Établissements canadiensDalhousie University
Organismes subventionnairesCanadian Institutes of Health ResearchTerry Fox Research InstituteGenome Canada
Mots-clésBiologyModel organismDiseaseGeneticsZebrafishOrganismComputational biologyGenomeGeneMedicine

Résumé

récupéré en direct d'OpenAlex

Genetic diseases are both inherited and acquired. Many genetic diseases fall under the paradigm of orphan diseases, a disease found in < 1 in 2000 persons. With rapid and cost-effective genome sequencing becoming the norm, many causal mutations for genetic diseases are being rapidly determined. In this regard, model organisms are playing an important role in validating if specific mutations identified in patients drive the observed phenotype. An emerging challenge for model organism researchers is the application of genetic and chemical genetic platforms to discover drug targets and drugs/drug-like molecules for potential treatment options for patients with genetic disease. This review provides an overview of how model organisms have contributed to our understanding of genetic disease, with a focus on the roles of yeast and zebrafish in gene discovery and the identification of compounds that could potentially treat human genetic diseases.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,973
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,025
Tête enseignante GPT0,332
Écart entre enseignants0,307 · 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.

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

Citations21
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueGeneticsMême sujetCRISPR and Genetic EngineeringTravaux en français237 207