Using artificial intelligence to identify anti‐hypertensives as possible disease modifying agents in Parkinson's disease
Notice bibliographique
Résumé
PURPOSE: Drug repurposing is an effective means of increasing treatment options for diseases, however identifying candidate molecules for the indication of interest from the thousands of approved drugs is challenging. We have performed a computational analysis of published literature to rank existing drugs according to predicted ability to reduce alpha synuclein (aSyn) oligomerization and analyzed real-world data to investigate the association between exposure to highly ranked drugs and PD. METHODS: Using IBM Watson for Drug Discoveryâ (WDD) we identified several antihypertensive drugs that may reduce aSyn oligomerization. Using IBM MarketScanâ Research Databases we constructed a cohort of individuals with incident hypertension. We conducted univariate and multivariate Cox proportional hazard analyses (HR) with exposure as a time-dependent covariate. Diuretics were used as the referent group. Age at hypertension diagnosis, sex, and several comorbidities were included in multivariate analyses. RESULTS: Multivariate results revealed inverse associations for time to PD diagnosis with exposure to the combination of the combination of angiotensin receptor II blockers (ARBs) and dihydropyridine calcium channel blockers (DHP-CCB) (HR = 0.55, p < 0.01) and angiotensin converting enzyme inhibitors (ACEi) and diuretics (HR = 0.60, p-value <0.01). Increased risk was observed with exposure to alpha-blockers alone (HR = 1.81, p < 0.001) and the combination of alpha-blockers and CCB (HR = 3.17, p < 0.05). CONCLUSIONS: We present evidence that a computational approach can efficiently identify leads for disease-modifying drugs. We have identified the combination of ARBs and DHP-CCBs as of particular interest in PD.
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 | 0,001 | 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 ».