Challenges for targeting SARS-CoV-2 proteases as a therapeutic strategy for COVID-19
Notice bibliographique
Résumé
ABSTRACT Two proteases produced by the SARS-CoV-2 virus, M pro and PL pro , are essential for viral replication and have become the focus of drug development programs for treatment of COVID-19. We screened a highly focused library of compounds containing covalent warheads designed to target cysteine proteases to identify new lead scaffolds for both M pro and PL pro proteases. These efforts identified a small number of hits for the M pro protease and no viable hits for the PL pro protease. Of the M pro hits identified as inhibitors of the purified recombinant protease, only two compounds inhibited viral infectivity in cellular infection assays. However, we observed a substantial drop in antiviral potency upon expression of TMPRSS2, a transmembrane serine protease that acts in an alternative viral entry pathway to the lysosomal cathepsins. This loss of potency is explained by the fact that our lead M pro inhibitors are also potent inhibitors of host cell cysteine cathepsins. To determine if this is a general property of M pro inhibitors, we evaluated several recently reported compounds and found that they are also effective inhibitors of purified human cathepsin L and B and showed similar loss in activity in cells expressing TMPRSS2. Our results highlight the challenges of targeting M pro and PL pro proteases and demonstrate the need to carefully assess selectivity of SARS-CoV-2 protease inhibitors to prevent clinical advancement of compounds that function through inhibition of a redundant viral entry pathway.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».