Leveraging Human Genetics to Guide Cancer Drug Development
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
PURPOSE: The high attrition rate of cancer drug development programs is a barrier to realizing the promise of precision oncology. We have examined whether the genetic insights from genome-wide association studies of cancer can guide drug development and repurposing in oncology. MATERIALS AND METHODS: Across 37 cancers, we identified 955 genetic risk variants from the National Human Genome Research Institute-European Bioinformatics Institute genome-wide association study catalog. We linked these variants to target genes using strategies that were based on linkage disequilibrium, DNA three-dimensional structure, and integration of predicted gene function and expression. With the use of the Informa Pharmaprojects database, we identified genes that are targets of unique drugs and assessed the level of enrichment that would be afforded by incorporation of genetic information in preclinical and phase II studies. For targets not under development, we implemented machine learning approaches to assess druggability. RESULTS: For all preclinical targets incorporating genetic information, a 2.00-fold enrichment of a drug being successfully approved could be achieved (95% CI, 1.14- to 3.48-fold; P = .02). For phase II targets, a 2.75-fold enrichment could be achieved (95% CI, 1.42- to 5.35-fold; P < .001). Application of genetic information suggests potential repurposing of 15 approved nononcology drugs. CONCLUSION: The findings illustrate the value of using insights from the genetics of inherited cancer susceptibility discovery projects as part of a data-driven strategy to inform drug discovery. Support for cancer germline genetic information for prospective targets is available online from the Institute of Cancer Research.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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