Glucagon-like peptide-1 receptor co-agonists for treating metabolic disease
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
BACKGROUND: Glucagon-like peptide-1 receptor (GLP-1R) agonists are approved to treat type 2 diabetes and obesity. They elicit robust improvements in glycemic control and weight loss, combined with cardioprotection in individuals at risk of or with pre-existing cardiovascular disease. These attributes make GLP-1 a preferred partner for next-generation therapies exhibiting improved efficacy yet retaining safety to treat diabetes, obesity, non-alcoholic steatohepatitis, and related cardiometabolic disorders. The available clinical data demonstrate that the best GLP-1R agonists are not yet competitive with bariatric surgery, emphasizing the need to further improve the efficacy of current medical therapy. SCOPE OF REVIEW: In this article, we discuss data highlighting the physiological and pharmacological attributes of potential peptide and non-peptide partners, exemplified by amylin, glucose-dependent insulinotropic polypeptide (GIP), and steroid hormones. We review the progress, limitations, and future considerations for translating findings from preclinical experiments to competitive efficacy and safety in humans with type 2 diabetes and obesity. MAJOR CONCLUSIONS: Multiple co-agonist combinations exhibit promising clinical efficacy, notably tirzepatide and investigational amylin combinations. Simultaneously, increasing doses of GLP-1R agonists such as semaglutide produces substantial weight loss, raising the bar for the development of new unimolecular co-agonists. Collectively, the available data suggest that new co-agonists with robust efficacy should prove superior to GLP-1R agonists alone to treat metabolic disorders.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
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