In-silico investigation of curcumin drug-likeness, gene-targets and prognostic relevance of the targets in panels of human cancer cohorts
Notice bibliographique
Résumé
Despite advancements in diagnostic and standard treatment modalities, cancer survival rate remains disappointing globally. It has however, been recognized that exploring the therapeutic properties of secondary metabolite from natural products may alleviate the problems of drug resistance and toxicity that besiege the conventional therapies, and hence improve the overall prognosis of cancer patient. To this end curcumin, a polyphenolic natural compound has been widely studied for it anticancer activities in in vitro and in vivo models. Computational technology has significantly improved the success rate of drug discovery and development, hence, it has become a widely explore tool in drug candidate identification. In this study we used computational approached to identify 12 genes that are potential druggable candidate for curcumin. The genes identified were found to be enriched in cancer and drug resistance associated signaling pathways. Interestingly, the top 3 identified genes; Microtubule-associated protein tau (MAPT), Toll-like receptor 9 (TLR9) and Tyrosyl-DNA phosphodiesterase 1 (TDP1) were observed to be over expressed in multiple cancer cohorts and were associated with poor prognoses of the patients. Curcumin has good physicochemical, bioavailability and ADMET properties. Importantly, it met the Lipinski's Rule of 5 for drug likeness and thus worthy of further in vitro and in vivo confirmation studies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».