Bioactive Chemical Composition of Cannabis Extracts and Cannabinoid Receptors
Notice bibliographique
Résumé
Cannabis is widely used as a therapeutic drug, especially by patients suffering from psychiatric and neurodegenerative diseases. However, the complex interplay between phytocannabinoids and their targets in the human receptome remains largely a mystery, and there have been few investigations into the relationship between the chemical composition of medical cannabis and the corresponding biological activity. In this study, we investigated 59 cannabis samples used by patients for medical reasons. The samples were subjected to extraction (microwave and supercritical carbon dioxide) and chemical analyses, and the resulting extracts were assayed in vitro using the CB1 and CB2 receptors. Using a partial least squares regression analysis, the chemical compositions of the extracts were then correlated to their corresponding cannabinoid receptor activities, thus generating predictive models that describe the receptor potency as a function of major phytocannabinoid content. Using the current dataset, meaningful models for CB1 and CB2 receptor agonism were obtained, and these reveal the insignificant relationships between the major phytocannabinoid content and receptor affinity for CB1 but good correlations between the two at CB2 receptors. These results also explain the anomalies between the receptor activities of pure phytocannabinoids and cannabis extracts. Furthermore, the models for CB1 and CB2 agonism in cannabis extracts predict the cannabinoid receptor activities of individual phytocannabinoids with reasonable accuracy. Here for the first time, we disclose a method to predict the relationship between the chemical composition, including phytocannabinoids, of cannabis extracts and cannabinoid receptor responses.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».