The current drug discovery landscape for trypanosomiasis and leishmaniasis: Challenges and strategies to identify drug targets
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
Human trypanosomiasis and leishmaniasis are vector-borne neglected tropical diseases caused by infection with the protozoan parasites Trypanosoma spp. and Leishmania spp., respectively. Once restricted to endemic areas, these diseases are now distributed worldwide due to human migration, climate change, and anthropogenic disturbance, causing significant health and economic burden globally. The current chemotherapy used to treat these diseases has limited efficacy, and drug resistance is spreading. Hence, new drugs are urgently needed. Phenotypic compound screenings have prevailed as the leading method to discover new drug candidates against these diseases. However, the publication of the complete genome sequences of multiple strains, advances in the application of CRISPR/Cas9 technology, and in vivo bioluminescence-based imaging have set the stage for advancing target-based drug discovery. This review analyses the limitations of the narrow pool of available drugs presently used for treating these diseases. It describes the current drug-based clinical trials highlighting the most promising leads. Furthermore, the review presents a focused discussion on the most important biological and pharmacological challenges that target-based drug discovery programs must overcome to advance drug candidates. Finally, it examines the advantages and limitations of modern research tools designed to identify and validate essential genes as drug targets, including genomic editing applications and in vivo imaging.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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