MétaCan
Menu
← Retour à la cohorte
Enregistrement W3015170184 · doi:10.1101/2020.04.01.020206

Defining the Neural Kinome: Strategies and Opportunities for Small Molecule Drug Discovery to Target Neurodegenerative Diseases

2020· preprint· en· W3015170184 sur OpenAlexaff
Andrea I. Krahn, Carrow I. Wells, David H. Drewry, Lenore K. Beitel, Thomas M. Durcan, Alison D. Axtman

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2020
Typepreprint
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensMcGill UniversityMontreal Neurological Institute and Hospital
Organismes subventionnairesnon disponible
Mots-clésKinomeKinaseDrug discoverySmall moleculeDrug developmentDrugComputational biologyNeurosciencePharmacologyBiologyCancer researchBioinformaticsBiochemistry

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Kinases are highly tractable drug targets that have reached unparalleled success in fields such as cancer but whose potential has not yet been realized in neuroscience. There are currently 55 approved small molecule kinase-targeting drugs, 48 of which have an anti-cancer indication. The intrinsic complexity linked to central nervous system (CNS) drug development and a lack of validated targets has hindered progress in developing kinase inhibitors for CNS disorders when compared to other therapeutic areas such as oncology. Identification and/or characterization of new kinases as potential drug targets for neurodegenerative diseases will create opportunities for development of CNS drugs in the future. The track record of kinase inhibitors in other disease indications supports the idea that with the best targets identified small molecule kinase modulators will become impactful therapeutics for neurodegenerative diseases. KEY CONCEPTS Chemical probe : a high-quality small molecule that is potent, selective, and cell-active that meets the following criteria: (1) in vitro biochemical IC 50 < 50 nM, (2) ≥ 30-fold selectivity relative to other kinases in a large assay panel such as DiscoverX scanMAX , and (3) cellular activity or target engagement with an IC 50 < 1 μM Narrow spectrum : a selectivity threshold that can be defined as potently inhibiting ∼10% or less of all kinases screened Kinome : all human kinases Kinase chemogenomic set (KCGS) : publicly-available curated physical library of narrow spectrum and potent kinase inhibitors for which the SGC-UNC has received permission to share the compounds; subsequent releases will increase kinome-wide coverage Illuminating the Druggable Genome (IDG) program : several interconnected projects currently funded by the National Institutes of Health to provide information on historically understudied members within protein families that have provided drug targets; the three main focus areas are kinases, G-protein coupled receptors, and ion channels IDG kinase : a kinase that was nominated as dark (understudied) by the National Institutes of Health IDG program (curated list found here: https://druggablegenome.net/IDGProteinList ); IDG consortium members generate data and resources to aid in the illumination of the function of these kinases DK tool : a narrow spectrum inhibitor that exhibits a defined selectivity score (S 10 (1 μM) < 0.05) and cellular target engagement with an IC 50 < 1 μM; S 10 (1 μM) is a measure of selectivity equal to the percentage of screened kinases biochemically inhibited by >90% at 1 μM

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,260
Écart entre enseignants0,219 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

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

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)→Même sujetComputational Drug Discovery Methods→Travaux en français237 207→