Medicinal Plants as Sources of Active Molecules Against COVID-19
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
The Severe Acute Respiratory Syndrome-related Coronavirus 2 (SARS-CoV-2) or novel coronavirus (COVID-19) infection has been declared world pandemic causing a worrisome number of deaths, especially among vulnerable citizens, in 209 countries around the world. Although several therapeutic molecules are being tested, no effective vaccines or specific treatments have been developed. Since the COVID-19 outbreak, different traditional herbal medicines with promising results have been used alone or in combination with conventional drugs to treat infected patients. Here, we review the recent findings regarding the use of natural products to prevent or treat COVID-19 infection. Furthermore, the mechanisms responsible for this preventive or therapeutic effect are discussed. We conducted literature research using PubMed, Google Scholar, Scopus, and WHO website. Dissertations and theses were not considered. Only the situation reports edited by the WHO were included. The different herbal products (extracts) and purified molecules may exert their anti-SARS-CoV-2 actions by direct inhibition of the virus replication or entry. Interestingly, some products may block the ACE-2 receptor or the serine protease TMPRRS2 required by SARS-CoV-2 to infect human cells. In addition, natural products were shown to inhibit the SARS-CoV-2 life-cycle related proteins such as papain-like or chymotrypsin-like proteases. In conclusion, we suggest that natural products could be used alone or in combination as alternative medicines to treat/prevent COVID-19 infection. Moreover, their structures may offer clues for the development of anti-SARS-CoV-2 drugs.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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