MétaCan
Menu
Retour à la cohorte
Enregistrement W3149174883 · doi:10.1111/nyas.14596

How to kill <i>Pseudomonas</i>—emerging therapies for a challenging pathogen

2021· review· en· W3149174883 sur OpenAlexafffund
Luke N. Yaeger, Victoria E. Coles, Derek C. K. Chan, Lori L. Burrows

Notice bibliographique

RevueAnnals of the New York Academy of Sciences · 2021
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueBacteriophages and microbial interactions
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaOntario Research Foundation
Mots-clésPseudomonas aeruginosaAntibioticsAntibiotic resistancePhage therapyMicrobiologyDrug resistancePathogenAntimicrobialVirulenceBiologyMedicineBacteriophageBacteriaEscherichia coli

Résumé

récupéré en direct d'OpenAlex

As the number of effective antibiotics dwindled, antibiotic resistance (AR) became a pressing concern. Some Pseudomonas aeruginosa isolates are resistant to all available antibiotics. In this review, we identify the mechanisms that P. aeruginosa uses to evade antibiotics, including intrinsic, acquired, and adaptive resistance. Our review summarizes many different approaches to overcome resistance. Antimicrobial peptides have potential as therapeutics with low levels of resistance evolution. Rationally designed bacteriophage therapy can circumvent and direct evolution of AR and virulence. Vaccines and monoclonal antibodies are highlighted as immune-based treatments targeting specific P. aeruginosa antigens. This review also identifies promising drug combinations, antivirulence therapies, and considerations for new antipseudomonal discovery. Finally, we provide an update on the clinical pipeline for antipseudomonal therapies and recommend future avenues for research.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,969
Score d'incertitude au seuil0,701

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,134
Tête enseignante GPT0,371
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAnnals of the New York Academy of SciencesMême sujetBacteriophages and microbial interactionsTravaux en français237 207