Drug Discovery by Drug Repurposing: Combating COVID-19 in the 21st Century
Notice bibliographique
Résumé
Due to the rapidly developing nature of the current COVID-19 outbreak and its almost immediate humanitarian and economic toll, coronavirus drug discovery efforts have largely focused on generating potential COVID-19 drug candidates as quickly as possible. Globally, scientists are working day and night to find the best possible solution to treat the deadly virus. During the first few months of 2020, the SARS-CoV-2 outbreak quickly developed into a pandemic, with a mortality rate that was increasing at an exponential rate day by day. As a result, scientists have turned to a drug repurposing approach to rediscover the potential use and benefits of existing approved drugs. Currently, there is no single drug approved by the U.S. Food and Drug Administration (FDA), for the treatment of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2, previously known as 2019-nCoV) that causes COVID-19. Based on only in-vitro studies, several active drugs are already in the clinical pipeline, made possible by following the compassionate use of medical protocols. This method of repurposing and the use of existing molecules like Remdesivir (GS-5734), Chloroquine, Hydroxychloroquine, etc. has proven to be a landmark in the field of drug rediscovery. In this review article, we will discuss the repurposing of medicines for treating the deadly novel coronavirus (SARS-CoV-2).
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 | 0,009 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».