MicroRNA Mimics or Inhibitors as Antiviral Therapeutic Approaches Against COVID-19
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
Coronaviruses, such as severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) responsible for the coronavirus disease 2019 (COVID-19) pandemic, present a significant threat to human health by inflicting a wide variety of health complications and even death. While conventional therapeutics often involve administering small molecules to fight viral infections, small non-coding RNA sequences, known as microRNAs (miRNAs/miR-), may present a novel antiviral strategy. We can take advantage of their ability to modulate host-virus interactions through mediating RNA degradation or translational inhibition. Investigations into miRNA and SARS-CoV-2 interactions can reveal novel therapeutic approaches against this virus. The viral genomes of SARS-CoV-2, severe acute respiratory syndrome coronavirus (SARS-CoV), and Middle East respiratory syndrome coronavirus (MERS-CoV) were searched using the Nucleotide Basic Local Alignment Search Tool (BLASTn) for highly similar sequences, to identify potential binding sites for miRNAs hypothesized to play a role in SARS-CoV-2 infection. miRNAs that target angiotensin-converting enzyme 2 (ACE2), the receptor used by SARS-CoV-2 and SARS-CoV for host cell entry, were also predicted. Several relevant miRNAs were identified, and their potential roles in regulating SARS-CoV-2 infections were further assessed. Current treatment options for SARS-CoV-2 are limited and have not generated sufficient evidence on safety and efficacy for treating COVID-19. Therefore, by investigating the interactions between miRNAs and SARS-CoV-2, miRNA-based antiviral therapies, including miRNA mimics and inhibitors, may be developed as an alternative strategy to fight COVID-19.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 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