Computational drug repurposing for inflammatory bowel disease using genetic information
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
As knowledge of the genetics behind inflammatory bowel disease (IBD) has continually improved, there has been a demand for methods that can use this data in a clinically significant way. Genome-wide association analyses for IBD have identified 232 risk genetic loci for the disorder. While identification of these risk loci enriches our understanding of the underlying biology of the disorder, their identification does not serve a clinical purpose. A potential use of this genetic information is to look for potential IBD drugs that target these loci in a procedure known as drug repurposing. The demand for new drug treatments for IBD is high due to the side effects and high costs of current treatments. We hypothesize that IBD genetic variants obtained from GWAS and the candidate genes prioritized from the variants have a causal relationship with IBD drug targets. A computational drug repositioning study was done due to its efficiency and inexpensiveness compared to traditional in vitro or biochemical approaches. Our approach for drug repurposing was multi-layered; it not only focused on the interactions between drugs and risk IBD genes, but also the interactions between drugs and all of the biological pathways the risk genes are involved in. We prioritized IBD candidate genes using identified genetic variants and identified potential drug targets and drugs that can be potentially repositioned or developed for IBD using the identified candidate genes. Our analysis strategy can be applied to repurpose drugs for other complex diseases using their risk genes identified from genetic analysis.
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 | 0,000 | 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