Time to re-engage psychiatric drug discovery by strengthening confidence in preclinical psychopharmacology
Notice bibliographique
Résumé
BACKGROUND: There is urgent need for new medications for psychiatric disorders. Mental illness is expected to become the leading cause of disability worldwide by 2030. Yet, the last two decades have seen the pharmaceutical industry withdraw from psychiatric drug discovery after costly late-stage trial failures in which clinical efficacy predicted pre-clinically has not materialised, leading to a crisis in confidence in preclinical psychopharmacology. METHODS: Based on a review of the relevant literature, we formulated some principles for improving investment in translational neuroscience aimed at psychiatric drug discovery. RESULTS: We propose the following 8 principles that could be used, in various combinations, to enhance CNS drug discovery: (1) consider incorporating the NIMH Research Domain Criteria (RDoC) approach; (2) engage the power of translational and systems neuroscience approaches; (3) use disease-relevant experimental perturbations; (4) identify molecular targets via genomic analysis and patient-derived pluripotent stem cells; (5) embrace holistic neuroscience: a partnership with psychoneuroimmunology; (6) use translational measures of neuronal activation; (7) validate the reproducibility of findings by independent collaboration; and (8) learn and reflect. We provide recent examples of promising animal-to-human translation of drug discovery projects and highlight some that present re-purposing opportunities. CONCLUSIONS: We hope that this review will re-awaken the pharma industry and mental health advocates to the opportunities for improving psychiatric pharmacotherapy and so restore confidence and justify re-investment in the field.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».