Ayurveda and Siddha systems polyherbal formulations to treat COVID-19 caused by SARS-CoV-2 and brief insight on application of Molecular Docking and SWISS Target prediction tools to study efficacy of active molecules
Notice bibliographique
Résumé
Ayurveda and Siddha systems are the two ancient medical systems originated in India more than 4000 years ago had given many formulary and treatment methods against influenza like infections. Kabasura churan from Siddha system and Maha sudharshan churan from the Ayurvedic system are the two major formulations along with many other individual herbs mentioned in the texts to treat Influenza like infections. Kabasura churan and Maha Sudarshan churan both have antipyretic, analgesic and anti-inflammatory effects. Both formulations were prepared according to Siddha and Ayurvedic texts. Herbs mentioned in both formulations like Turmeric, Tulsi (Basil), Kalmegh (Andrographis), Black Pepper, Liquorice (Mulethi), and Dronapushpi (Leucas) etc., had direct antiviral effect. Herbs like Aswagandha, Ginger, Guduchi (Tinospora), Kulanjan (Galangal) etc., had immunomodulatory and anti-inflammatory effect. Active compounds from different herbs were selected to study their antiviral activity through molecular docking algorithm. Application of modern of tools like Bioinformatics and Highthroughput screening methods can predict the efficacy of the ancient documented formulations and can be compared as per their literature. Compounds like curcumin, Glycyrrhizin, Ursolic acid, Quercetin, Andrographolide, Coumarins etc. were showed polyspecific activity like inhibition of Spike protein, Furin, Main Protease (Mpro) and Papain like Proteases (PLpro). Thus we propose use of Kabasura churan and Maha Sudharshan churan as alternative complementary medicine as a palliative treatment against COVID-19 caused by SARS-CoV-2 by conducting proper Randomized Clinical Trials
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».