Cannabinomics: Application of Metabolomics in Cannabis (Cannabis sativa L.) Research and Development
Notice bibliographique
Résumé
Cannabis (Cannabis sativa L.) is a complex, polymorphic plant species, which produces a vast array of bioactive metabolites, the two major chemical groups being cannabinoids and terpenoids. Nonetheless, the psychoactive cannabinoid tetrahydrocannabinol ( 9 -THC) and the non-psychoactive cannabidiol (CBD), are the two major cannabinoids that have monopolized the research interest. Currently, more than 600 Cannabis varieties are commercially available, providing access to a multitude of potent extracts with complex compositions, whose genetics are largely inconclusive. Recently introduced legislation on Cannabis cultivation in many countries represents a great opportunity, but at the same time, a great challenge for Cannabis research and development (R&D) toward applications in the pharmaceutical, food, cosmetics, and agrochemical industries. Based on its versatility and unique capabilities in the deconvolution of the metabolite composition of complex matrices, metabolomics represents an ideal bioanalytical tool that could greatly assist and accelerate Cannabis R&D. Among others, Cannabis metabolomics or cannabinomics can be applied in the taxonomy of Cannabis varieties in chemovars, the research on the discovery and assessment of new Cannabisbased sources of bioactivity in medicine, the development of new food products, and the optimization of its cultivation, aiming for improvements in yield and potency. Although Cannabis research is still in its infancy, it is highly foreseen that the employment of advanced metabolomics will provide insights that could assist the sector to face the aforementioned challenges. Within this context, here, the current state-of-the-art and conceptual aspects of cannabinomics are presented.
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 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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».