Metabolic phenotyping of opioid and psychostimulant addiction: A novel approach for biomarker discovery and biochemical understanding of the disorder
Notice bibliographique
Résumé
Despite the progress in characterising the pharmacological profile of drugs of abuse, their precise biochemical impact remains unclear. The metabolome reflects the multifaceted biochemical processes occurring within a biological system. This includes those encoded in the genome but also those arising from environmental/exogenous exposures and interactions between the two. Using metabolomics, the biochemical derangements associated with substance abuse can be determined as the individual transitions from recreational drug to chronic use (dependence). By understanding the biomolecular perturbations along this time course and how they vary across individuals, metabolomics can elucidate biochemical mechanisms of the addiction cycle (dependence/withdrawal/relapse) and predict prognosis (recovery/relapse). In this review, we summarise human and animal metabolomic studies in the field of opioid and psychostimulant addiction. We highlight the importance of metabolomics as a powerful approach for biomarker discovery and its potential to guide personalised pharmacotherapeutic strategies for addiction targeted towards the individual's metabolome. LINKED ARTICLES: This article is part of a themed issue on Building Bridges in Neuropharmacology. To view the other articles in this section visit http://onlinelibrary.wiley.com/doi/10.1111/bph.v179.8/issuetoc.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».