Signaling diversity of mu- and delta- opioid receptor ligands: Re-evaluating the benefits of β-arrestin/G protein signaling bias
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
Opioid analgesics are elective for treating moderate to severe pain but their use is restricted by severe side effects. Signaling bias has been proposed as a viable means for improving this situation. To exploit this opportunity, continuous efforts are devoted to understand how ligand-specific modulations of receptor functions could mediate the different in vivo effects of opioids. Advances in the field have led to the development of biased agonists based on hypotheses that allocated desired and undesired effects to specific signaling pathways. However, the prevalent hypothesis associating β-arrestin to opioid side effects was recently challenged and multiple of the newly developed biased drugs may not display the superior side effects profile that was sought. Moreover, biased agonism at opioid receptors is now known to be time- and cell-dependent, which adds a new layer of complexity for bias estimation. Here, we first review the signaling mechanisms underlying desired and undesired effects of opioids. We then describe biased agonism at opioid receptors and discuss the different perspectives that support the desired and undesired effects of opioids in view of exploiting biased signaling for therapeutic purposes. Finally, we explore how signaling kinetics and cellular background can influence the magnitude and directionality of bias at those receptors.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| 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 découle