Mitigating Alzheimer’s Disease with Natural Polyphenols: A Review
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
According to Alzheimer's Disease International (ADI), nearly 50 million people worldwide were living with dementia in 2017, and this number is expected to triple by 2050. Despite years of research in this field, the root cause and mechanisms responsible for Alzheimer's disease (AD) have not been fully elucidated yet. Moreover, promising preclinical results have repeatedly failed to translate into patient treatments. Until now, none of the molecules targeting AD has successfully passed the Phase III trial. Although natural molecules have been extensively studied, they normally require high concentrations to be effective; alternately, they are too large to cross the blood-brain barrier (BBB). In this review, we report AD treatment strategies, with a virtually exclusive focus on green chemistry (natural phenolic molecules). These include therapeutic strategies for decreasing amyloid-β (Aβ) production, preventing and/or altering Aβ aggregation, and reducing oligomers cytotoxicity such as curcumin, (-)-epigallocatechin-3-gallate (EGCG), morin, resveratrol, tannic acid, and other natural green molecules. We also examine whether consideration should be given to potential candidates used outside of medicine and nutrition, through a discussion of two intermediate-sized green molecules, with very similar molecular structures and key properties, which exhibit potential in mitigating Alzheimer's disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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