MétaCan
Menu
Retour à la cohorte
Enregistrement W3013089206 · doi:10.7554/elife.52946

Identification of drug modifiers for RYR1-related myopathy using a multi-species discovery pipeline

2020· article· en· W3013089206 sur OpenAlexafffund
Jonathan Volpatti, Yukari Endo, Jessica Knox, Linda Groom, Stephanie Brennan, Ramil R. Noche, William J. Zuercher, Peter J. Roy, Robert T. Dirksen, James J. Dowling

Notice bibliographique

RevueeLife · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetics, Aging, and Longevity in Model Organisms
Établissements canadiensHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesUniversity of TorontoCanadian Institutes of Health ResearchRYR-1 FoundationMuscular Dystrophy Association
Mots-clésRYR1Ryanodine receptorMyogenesisBiologyMuscular dystrophyDuchenne muscular dystrophyCell biologyMyocyteDrug discoveryBioinformaticsGeneticsIntracellular

Résumé

récupéré en direct d'OpenAlex

Ryanodine receptor type I-related myopathies (RYR1-RMs) are a common group of childhood muscle diseases associated with severe disabilities and early mortality for which there are no available treatments. The goal of this study is to identify new therapeutic targets for RYR1-RMs. To accomplish this, we developed a discovery pipeline using nematode, zebrafish, and mammalian cell models. We first performed large-scale drug screens in C. elegans which uncovered 74 hits. Targeted testing in zebrafish yielded positive results for two p38 inhibitors. Using mouse myotubes, we found that either pharmacological inhibition or siRNA silencing of p38 impaired caffeine-induced Ca 2+ release from wild type cells while promoting intracellular Ca 2+ release in Ryr1 knockout cells. Lastly, we demonstrated that p38 inhibition blunts the aberrant temperature-dependent increase in resting Ca 2+ in myotubes from an RYR1-RM mouse model. This unique platform for RYR1-RM therapy development is potentially applicable to a broad range of neuromuscular disorders.

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 candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,289
Score d'incertitude au seuil0,541

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,030
Tête enseignante GPT0,263
Écart entre enseignants0,232 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations23
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueeLifeMême sujetGenetics, Aging, and Longevity in Model OrganismsTravaux en français237 207