Computational determination of toxicity risks associated with a selection of approved drugs having demonstrated activity against COVID-19
Notice bibliographique
Résumé
BACKGROUND: The emergence and rapid spread of SARS-CoV-2 (severe acute respiratory syndrome coronavirus 2) in thelate 2019 has caused a devastating global pandemic of the severe pneumonia-like disease coronavirus disease 2019 (COVID-19). Although vaccines have been and are being developed, they are not accessible to everyone and not everyone can receive these vaccines. Also, it typically takes more than 10 years until a new therapeutic agent is approved for usage. Therefore, repurposing of known drugs can lend itself well as a key approach for significantly expediting the development of new therapies for COVID-19. METHODS: We have incorporated machine learning-based computational tools and in silico models into the drug discovery process to predict Adsorption, Distribution, Metabolism, Excretion, and Toxicity (ADMET) profiles of 90 potential drugs for COVID-19 treatment identified from two independent studies mainly with the purpose of mitigating late-phase failures because of inferior pharmacokinetics and toxicity. RESULTS: Here, we summarize the cardiotoxicity and general toxicity profiles of 90 potential drugs for COVID-19 treatment and outline the risks of repurposing and propose a stratification of patients accordingly. We shortlist a total of five compounds based on their non-toxic properties. CONCLUSION: In summary, this manuscript aims to provide a potentially useful source of essential knowledge on toxicity assessment of 90 compounds for healthcare practitioners and researchers to find off-label alternatives for the treatment for COVID-19. The majority of the molecules discussed in this manuscript have already moved into clinical trials and thus their known pharmacological and human safety profiles are expected to facilitate a fast track preclinical and clinical assessment for treating 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».