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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».